Uso de Inteligencia Artificial en Neuroimagen: Revisión Sistemática del Impacto en Diagnóstico Temprano y Predicción de Desenlaces en Enfermedades Neurodegenerativas
Notice bibliographique
Résumé
La inteligencia artificial (IA) se ha consolidado como herramienta clave para el análisis avanzado de neuroimagen en enfermedades neurodegenerativas (END). Esta revisión sistemática reúne la evidencia reciente (2019–2025) sobre IA aplicada a resonancia magnética (MRI), tomografía por emisión de positrones (PET), tomografía de coherencia óptica (OCT) y electroencefalografía (EEG). Se realizó una búsqueda en PubMed, Scopus y Web of Science bajo PRISMA 2020. Se identificaron 1,243 estudios y 62 fueron incluidos tras evaluar criterios y calidad metodológica mediante Newcastle–Ottawa Scale, QUADAS-2 y PROBAST-AI. Los hallazgos muestran que, en Alzheimer y deterioro cognitivo leve, los modelos de deep learning basados en MRI y PET alcanzan AUC entre 0.90–0.94, facilitando la detección temprana y la predicción de conversión a demencia. En Parkinson, la IA logró precisiones superiores al 80 % para diferenciar la enfermedad idiopática de parkinsonismos atípicos y permitió identificar biomarcadores multimodales predictivos. En esclerosis múltiple, las redes neuronales convolucionales (CNN) y el análisis retiniano mostraron alta precisión para segmentar lesiones y estimar progresión y discapacidad. En esclerosis lateral amiotrófica, los modelos de machine learning superaron el rendimiento de predicción clínica tradicional. Persisten desafíos importantes: tamaños muestrales pequeños, heterogeneidad metodológica, falta de validación externa y escasa estandarización de protocolos e indicadores. En conjunto, la IA aplicada a neuroimagen representa una vía prometedora hacia un diagnóstico neurológico más temprano, preciso y personalizado; sin embargo, su adopción clínica requiere validaciones multicéntricas, protocolos reproducibles y marcos éticos robustos
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».