IA visual diagnostica demencia con precisión del 98 %

Un equipo internacional de científicos ha desarrollado un sistema de inteligencia artificial capaz de detectar con alta precisión diferentes subtipos de demencia directamente desde imágenes de resonancia magnética sin necesidad de preprocesamiento. El modelo, entrenado y validado con datos de más de 3,000 personas, logra mantener su rendimiento incluso en escáneres clínicos de baja resolución, lo que lo convierte en una herramienta prometedora para el diagnóstico accesible y global de enfermedades neurodegenerativas como el Alzheimer (AD) y la demencia frontotemporal variante conductual (bvFTD).

La investigación, liderada por el neurocientífico argentino Agustín Ibáñez, director del Latin American Brain Health Institute (BrainLat) y del grupo de modelos predictivos del Global Brain Health Institute (GBHI), surgió ante la desoladora realidad de que alrededor del 90% de los casos de demencia en América Latina no son diagnosticados. Las razones son múltiples: falta de acceso a resonadores de calidad, escasez de especialistas en neuroimagen, desigualdad tecnológica, y sobre todo, la ausencia de herramientas automatizadas que funcionen más allá de los centros clínicos del norte global.

Este modelo de aprendizaje profundo no necesita segmentar ni suavizar imágenes: se alimenta directamente de los escaneos crudos que salen del resonador. Para entrenar al sistema, los investigadores utilizaron una red neuronal convolucional 3D que analiza las imágenes píxel por píxel. El proceso de entrenamiento consistió en mostrarle al modelo miles de ejemplos rotulados —personas sanas, con Alzheimer o con bvFTD— y luego pedirle que predijera los diagnósticos en nuevos casos, sin intervención humana. Así, la red aprendió a identificar patrones de atrofia cerebral relevantes directamente desde los datos visuales sin guía externa.

Como resultado, en imágenes de alta calidad (3T), la precisión superó el 95 % para detectar Alzheimer y el 94 % para bvFTD. Iincluso en condiciones clínicas reales —imágenes de 1.5 teslas obtenidas en hospitales latinoamericanos— el modelo mantuvo una precisión del 80 al 81 %. Además, al enfrentarse al reto de distinguir entre dos subtipos de demencia —una tarea mucho más compleja que diferenciar un paciente enfermo de uno sano— el sistema logró una precisión de alrededor del 98 %.

El estudio también exploró la posibilidad de enriquecer el modelo con variables sociodemográficas como edad, sexo o nivel educativo. Aunque estos factores aportaron cierta mejora, la precisión se sostuvo incluso sin ellos, sugiriendo que el sistema se apoya fundamentalmente en patrones cerebrales reales, y no en sesgos poblacionales.

El equipo proyecta expandir este sistema hacia una plataforma clínica accesible para entornos poco representados. El objetivo es que hospitales públicos o centros comunitarios en regiones con pocos recursos puedan contar con una herramienta de diagnóstico temprano basada en IA, sin necesidad de biomarcadores invasivos ni infraestructura especializada.

Además, se planea incorporar nuevas fuentes de datos como perfiles genéticos, información ambiental y vínculos sociales, para construir un modelo aún más personalizado, contextual y equitativo.