Modelo de aprendizaje profundo predice resultados de Alzheimer a partir de resonancia magnética inicial

Un pronóstico preciso suele basarse en pruebas neuropsicológicas, múltiples biomarcadores e imágenes avanzadas, procesos que consumen mucho tiempo y no son accesibles para todos. El acceso a una evaluación cognitiva integral constituye un obstáculo importante. Para abordar este desafío, los investigadores han desarrollado un enfoque de IA que estima el diagnóstico y la función cognitiva futura a partir de una única resonancia magnética inicial, junto con datos demográficos.

Desarrollado en la Universidad de California, San Francisco (UCSF), este marco de aprendizaje profundo multitarea, basado en el conocimiento del dominio, está diseñado para obtener resultados clínicamente relevantes a partir de resonancias magnéticas cerebrales de rutina. La estrategia combina modelos personalizados con grandes redes preentrenadas e integra variables demográficas para estimar puntuaciones cognitivas sin necesidad de pruebas cognitivas iniciales. Un elemento clave del diseño es un modelo de imagen entrenado en tareas relacionadas (segmentación de materia gris, materia blanca y líquido cefalorraquídeo) para superar las limitaciones de los sistemas comerciales.

En un estudio publicado en Nature Aging el 18 de mayo de 2026, el marco de trabajo superó a los métodos de inteligencia artificial existentes, incluido el aprendizaje por transferencia estándar. A partir de una única explgoración inicial, produjo una predicción precisa y pionera del diagnóstico de Alzheimer, una segmentación de tejidos de alta calidad y puntuaciones cognitivas tanto actuales como futuras. Este enfoque minimiza la dependencia de sistemas de procesamiento de imágenes especializados, tomografía por emisión de positrones, pruebas genéticas o proteómica de fluidos.

Para el entrenamiento, las pruebas y la validación se utilizó la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer, que proporcionó imágenes de resonancia magnética, diagnósticos, datos demográficos y evaluaciones cognitivas. Para exponer el modelo a cerebros con atrofia mínima o nula, el equipo incorporó escaneos de la cohorte de adultos jóvenes del Proyecto Conectoma Humano durante el entrenamiento. La evaluación externa en el Estudio Cerebral de la Plena Vida de Dallas indicó una mayor generalización y robustez de los modelos de segmentación, así como una menor susceptibilidad a errores de segmentación en tareas posteriores.

Los autores señalaron el potencial para esclarecer las relaciones entre la morfología cerebral y la cognición más allá de la enfermedad de Alzheimer, incluyendo la enfermedad de Parkinson, la esclerosis lateral amiotrófica y la enfermedad de Huntington. Predecir la cognición basal a partir de información mínima podría facilitar la clasificación de pacientes en entornos comunitarios y agilizar la inscripción al distinguir entre quienes progresan y quienes no, lo que podría reducir el tamaño de la muestra y el costo de los ensayos clínicos. Las futuras versiones podrían integrar resonancia magnética y tomografía por emisión de positrones (PET) longitudinales, genética y biomarcadores en sangre o líquido cefalorraquídeo, y su adopción en la práctica clínica dependerá de una evaluación cuidadosa y específica para cada caso.

"La capacidad de predecir correctamente la progresión de la enfermedad utilizando únicamente datos basales puede reducir drásticamente el tamaño de las muestras y los costos. Nuestro modelo también podría ser útil como herramienta para la selección de pacientes y el seguimiento de la progresión en grandes ensayos clínicos de fármacos modificadores de la enfermedad»", afirma Ashish Raj, doctor y profesor de Radiología e Imagen Biomédica de la UCSF.

Enlaces relacionados
UCSF