Potencial del aprendizaje automático y la resonancia magnética en el diagnóstico temprano de enfermedad vascular cerebral
URL canonica: https://calculadoras.nmn.mx/articulo/potencial-aprendizaje-automatico-resonancia-magnetica-diagnostico-temprano-enfermedad
Tipo: ARTICULO
Areas terapeuticas
- Sistema Nervioso Central
Padecimientos
- Enfermedad vascular cerebral
Contenido
Introducción
La enfermedad vascular cerebral (EVC) es una de las principales causas de discapacidad y muerte a nivel mundial. La detección temprana es crítica para mejorar el pronóstico, y la resonancia magnética (RM) se ha consolidado como herramienta diagnóstica clave gracias a su alta resolución espacial y temporal. Sin embargo, su utilidad se ve limitada por la baja adherencia a las visitas de seguimiento por parte de los pacientes. En este contexto, el aprendizaje automático (machine learning, ML) surge como una tecnología prometedora para automatizar la interpretación de datos de RM y facilitar el diagnóstico precoz.
Objetivo y metodología
El objetivo del estudio fue realizar un análisis bibliométrico sobre la aplicación del ML para identificar características en imágenes por RM cerebral en el diagnóstico precoz de la enfermedad cerebrovascular entre 2004 y 2023. Para ello, se utilizaron 395 artículos indexados en la base de datos Web of Science Core Collection, analizados con la herramienta CiteSpace, que permite visualizar redes de colaboración, autores, palabras clave y tendencias emergentes (Figura 1).
Hallazgos principales
1 Tendencias de publicación
Antes de 2015, las publicaciones eran escasas (<10 por año), pero a partir de ese año hubo un aumento significativo, coincidiendo con la aprobación de herramientas basadas en ML por la FDA, como RapidAI® y Viz.ai®. Se prevé un nuevo pico de publicaciones en los próximos 5–10 años.
2 Principales actores
Países líderes: China (136 publicaciones) y EE. UU. (135), aunque Alemania mostró mayor centralidad en redes de colaboración.
Instituciones destacadas: Sistema de la Universidad de California, Harvard, Massachusetts General Hospital.
Autores más productivos: José Castillo (España), Yongjun Wang y Jing Jing (China), con fuertes redes de colaboración multicéntrica.
3 Revistas influyentes
Las más citadas incluyen Stroke, NeuroImage, Neurology y Brain. Estas revistas actúan como puentes entre la neurología clínica y la inteligencia artificial médica.
Líneas de investigación emergentes
1 Selección óptima en neuroimagen
Las modalidades más utilizadas incluyen marcaje de espín arterial (ASL), imágenes ponderadas por difusión (DWI) y fMRI. La combinación multimodal supera en precisión a las técnicas individuales.
2 Modelos de ML más efectivos
Redes neuronales convolucionales (CNNs): líderes en segmentación y predicción de lesión.
Máquinas de vectores de soporte (SVMs) y Random Forests: ofrecen buenos resultados complementarios.
Deep learning y redes neuronales profundas: destacan por su capacidad de detección automatizada.
Inteligencia artificial explicable (XAI): mejora la transparencia del modelo, esencial en entornos clínicos.
Modelos multimodales: integran RM, datos clínicos y genéticos para una medicina personalizada.
3 Neuroimagen y ML
La integración de modalidades avanzadas de imagen, como la imagen por tensor de difusión y las CNNs, ha permitido el desarrollo de la segmentación automatizada de lesiones y modelos de diagnóstico temprano para la EVC isquémica. Esta integración conecta los algoritmos computacionales con la radiología clínica, impulsando ambos campos.
4 Neuroimagen y bioinformática
El uso de herramientas bioinformáticas para analizar marcadores de imagen ha mejorado la comprensión de las bases moleculares de la EVC. Por ejemplo, la integración de datos genéticos con fenotipos basados en resonancia magnética ofrece nuevos conocimientos sobre estrategias terapéuticas personalizadas.
5 Sistemas de apoyo a la decisión clínica (CDSS) e inteligencia artificial
Los CDSS impulsados por IA, que aprovechan los modelos de pronóstico basados en aprendizaje automático, han facilitado la toma de decisiones en tiempo real en el manejo de la EVC, en particular en la identificación de ventanas terapéuticas óptimas.
Los autores destacan que el ML ha demostrado un crecimiento significativo en su aplicación al diagnóstico precoz de la EVC mediante imágenes por RM, especialmente desde 2015, impulsado por mejoras en la capacidad computacional y el desarrollo de algoritmos más sofisticados. Las redes de colaboración entre autores e instituciones, principalmente en E.UA., y China, han contribuido al avance del campo.
La investigación se caracteriza por una integración interdisciplinaria entre neurología, informática médica e inteligencia artificial, lo que ha permitido tanto el perfeccionamiento de las disciplinas tradicionales como la aparición de nuevas áreas híbridas. Este enfoque ha potenciado la innovación científica y la elaboración de estrategias diagnósticas más precisas y personalizadas para pacientes con ictus en etapas tempranas.
Conclusión
El ML aplicado a la RM tiene el potencial de revolucionar el diagnóstico temprano de la enfermedad cerebrovascular, permitiendo intervenciones más precisas y oportunas. Se espera que estos avances conduzcan a una mejora significativa en los flujos clínicos y en la toma de decisiones terapéuticas personalizadas.
Referencias
- Lou JC, et al. Exploring the potential of machine learning and magnetic resonance imaging in early stroke diagnosis: a bibliometric analysis (2004-2023). Front Neurol. 2025 Mar 14;16:1505533. doi: 10.3389/fneur.2025.1505533.