|
Integraci=F3n multimodal de datos cognitivos y morfom=E9tricos para=
el
diagn=F3stico de la etapa de progresi=F3n de la enfermedad de Alzheimer |
|
|
|
|
|
Sheyla<=
/span> Le=F3n=
Pino |
|
sheylapino28@gmail.com =95 <=
span
lang=3DES-TRAD>https:/=
/orcid.org/0009-0007-0194-9436 |
|
|
|
Eduardo
Garea Llanos |
|
egarea@gmail.com =95 https:/=
/orcid.org/0000-0001-9101-1589
|
|
|
|
CENTRO DE NEUROCIENCIA=
S DE
CUBA |
|
|
|
Recibido: 2026-02-03 =95 Aceptado: 2026-06-23<= o:p> |
|
RESUMEN |
|
Este estudio aborda el diagn=F3stico temprano y preciso de la enfermedad de Alzheimer, un desaf=EDo clave en neurolog=EDa cl=EDnica. Investigamos un enfoque que combina biomarcadores morfom=E9tri= cos de resonancia magn=E9tica con evaluaciones cognitivas, buscando superar las limitaciones de los m=E9todos diagn=F3sticos que utilizan estas fuentes de informaci=F3n de forma aislada. Analizamos datos de 1,382 participantes d= e la base ADNI, clasificados en controles cognitivos, deterioro cognitivo leve (MCI) y Alzheimer. Implementamos algoritmos de aprendizaje autom=E1tico, destacando XGBoost con una precisi=F3n equili= brada de 83.72%, superior a los modelos basados solo en variables cognitivas. Los resultados indican que la integraci=F3n multimodal mejor=F3 la detecci=F3= n del estado MCI, con un aumento en sensibilidad. Los biomarcadores con mayor p= oder predictivo fueron los vol=FAmenes hipocampales, de la corteza entorrinal = y las medidas de sustancia gris total. Este enfoque ofrece una herramienta diagn=F3stica m=E1s precisa y se alinea con el marco de investigaci=F3n N= IA-AA, que enfatiza la definici=F3n biol=F3gica del Alzheimer a trav=E9s de biomarca= dores. Un diagn=F3stico m=E1s temprano y preciso permitir=EDa intervenciones m=E1s = oportunas y una mejor selecci=F3n de pacientes para ensayos cl=EDnicos. Este trabajo demuestra el potencial de la inteligencia artificial para integrar difere= ntes fuentes de informaci=F3n en un modelo predictivo, con posibles aplicacion= es en la pr=E1ctica cl=EDnica.<= o:p> |
|
Palabras clave: Alzheimer; biomarcadores; cognici=F3n;
inteligencia artificial; resonancia magn=E9tica. |
|
ABSTRACT |
|
This
study addresses the early and accurate diagnosis of Alzheimer's disease, a
key challenge in clinical neurology. We investigate an approach that comb=
ines
morphometric biomarkers from magnetic resonance imaging with cognitive
assessments, seeking to overcome the limitations of diagnostic methods th=
at
use these information sources in isolation. We analyzed data from 1,382
participants from the ADNI database, classified into cognitive controls, =
mild
cognitive impairment (MCI), and Alzheimer's. We implemented machine learn=
ing
algorithms, highlighting XGBoost with a balan=
ced
accuracy of 83.72%, superior to models based only on cognitive variables.=
The
results indicate that multimodal integration improved the detection of MCI
status, with an increase in sensitivity. The biomarkers with the greatest
predictive power were hippocampal volumes, entorhinal cortex, and total g=
ray
matter measurements. This approach offers a more accurate diagnostic tool=
and
aligns with the NIA-AA research framework, which emphasizes the biological
definition of Alzheimer's through biomarkers. An earlier and more precise
diagnosis would allow for more timely interventions and better selection =
of
patients for clinical trials. This work demonstrates the potential of
artificial intelligence to integrate different sources of information int=
o a
predictive model, with possible applications in clinical practice. |
|
Keywords: Alzheimer=92s disease; biomarkers; cognition; artificial intellige=
nce;
magnetic resonance imaging. |
|
|
![](3D"299.Diagramacion_archivos/image001.png")
![](3D"299.Diagramacion_archivos/image002.png")
INTRODUCCI=D3N
La enfermedad de Alzheimer (EA) es la principal causa de demencia a
nivel mundial y representa un desaf=EDo sanitario y socioecon=F3mico de gran
magnitud. Seg=FAn la Organizaci=F3n Mundial de la Salud, se estima que para=
2050 el
n=FAmero de personas afectadas podr=EDa triplicarse, alcanzando m=E1s de 15=
0 millones
de casos globalmente. Este incremento exponencial est=E1 asociado al
envejecimiento poblacional, lo que subraya la urgencia de mejorar las
estrategias de diagn=F3stico y manejo cl=EDnico (World Health Organization,
2022).
El diagn=F3stico temprano es fundamental, ya que la neurodegeneraci=
=F3n
comienza a=F1os antes de la manifestaci=F3n cl=EDnica evidente. Sin embargo=
, la
heterogeneidad en la presentaci=F3n cl=EDnica y la superposici=F3n con otros
trastornos neurodegenerativos dificultan la identificaci=F3n precisa de las
etapas iniciales de la EA (Dubois et al., 2021). Las limitaciones de las
pruebas neuropsicol=F3gicas tradicionales incluyen su susceptibilidad a fac=
tores
culturales, educativos y motivacionales, lo que puede llevar a sub o sobred=
iagn=F3stico,
especialmente en poblaciones diversas (Barnes et al., 2009).
En este contexto, la neuroimagen ha revolucionado la investigaci=F3n=
y la
pr=E1ctica cl=EDnica, permitiendo la visualizaci=F3n in vivo de los cambios
estructurales cerebrales asociados a la EA. Los avances en resonancia magn=
=E9tica
(RM) han posibilitado la cuantificaci=F3n precisa de vol=FAmenes cerebrales=
y el
an=E1lisis de patrones de atrofia caracter=EDsticos, como la afectaci=F3n t=
emprana
del hipocampo y la corteza entorrinal (Braak & Braak, 1991; Jack et al.,
1992).
No obstante, la interpretaci=F3n aislada de biomarcadores morfom=E9t=
ricos
puede ser insuficiente debido a la variabilidad interindividual y la influe=
ncia
de factores com=F3rbidos, como enfermedades vasculares o depresi=F3n. Por e=
llo, la
integraci=F3n de m=FAltiples fuentes de datos =97cognitivos, cl=EDnicos y de
neuroimagen=97 mediante enfoques de inteligencia artificial representa una
soluci=F3n innovadora y prometedora para mejorar la precisi=F3n diagn=F3sti=
ca.
La integraci=F3n multimodal se fundamenta en el marco de investigaci=
=F3n
NIA-AA, que propone una definici=F3n biol=F3gica de la EA basada en biomarc=
adores,
desplazando el enfoque exclusivamente cl=EDnico (Jack et al., 2018). Este
paradigma reconoce que la acumulaci=F3n de amiloide, la taupat=EDa
y la neurodegeneraci=F3n pueden detectarse mediante t=E9cnicas de neuroimag=
en y
an=E1lisis de l=EDquidos biol=F3gicos antes de la aparici=F3n de s=EDntomas=
cognitivos.
Estudios recientes han demostrado que los modelos predictivos que
combinan datos de neuroimagen con evaluaciones cognitivas superan en
sensibilidad y especificidad a los m=E9todos tradicionales (Falahati et al.,
2014; Risacher et al., 2019). Particularmente, el uso de algoritmos de
aprendizaje autom=E1tico permite identificar patrones complejos y no lineal=
es en
grandes conjuntos de datos, facilitando la clasificaci=F3n precisa de las
distintas etapas de la EA.
La base de datos ADNI ha sido esencial para el desarrollo y validaci=
=F3n
de estos modelos, proporcionando un repositorio estandarizado de datos
cl=EDnicos, neuropsicol=F3gicos y de neuroimagen de miles de participantes =
(Weiner
et al., 2013). El acceso a estos datos ha impulsado la reproducibilidad y la
comparaci=F3n de resultados entre diferentes grupos de investigaci=F3n.
El objetivo principal de este estudio es desarrollar y validar un mo= delo predictivo que integre de manera simult=E1nea datos cognitivos (proveniente= s de evaluaciones neuropsicol=F3gicas) y biomarcadores morfom=E9tricos obtenidos mediante resonancia magn=E9tica, con el fin de mejorar la precisi=F3n y sensibilidad en la clasificaci=F3n de las etapas de progresi=F3n de la enfe= rmedad de Alzheimer. Se busca, espec=EDficamente, superar las limitaciones de los enfoques diagn=F3sticos tradicionales que emplean estas fuentes de informac= i=F3n de forma aislada, logrando as=ED una detecci=F3n m=E1s temprana y precisa de la enfermedad, especialmente en la etapa de deterioro cognitivo leve (MCI, por= sus siglas en ingl=E9s Mild Cognitive Impairment).<= o:p>
Este trabajo propone una metodolog=EDa innovadora basada en la integ=
raci=F3n
multimodal de datos, utilizando algoritmos avanzados de aprendizaje autom=
=E1tico
(como XGBoost y LightGBM),
para construir un modelo capaz de distinguir entre controles cognitivos,
pacientes con MCI y pacientes con Alzheimer. Esta integraci=F3n permite
aprovechar la complementariedad entre los cambios estructurales cerebrales
detectados por neuroimagen y el desempe=F1o cognitivo, aumentando
significativamente la capacidad discriminativa respecto a modelos que solo
consideran una de estas dimensiones.
Adem=E1s, el estudio plantea que este enfoque puede convertirse en u=
na
herramienta diagn=F3stica aplicable en la pr=E1ctica cl=EDnica, aline=E1ndo=
se con el
marco de investigaci=F3n NIA-AA que prioriza la definici=F3n biol=F3gica de=
la
enfermedad mediante biomarcadores. Se espera que la implementaci=F3n de este
modelo facilite intervenciones m=E1s oportunas y una mejor selecci=F3n de p=
acientes
para ensayos cl=EDnicos, contribuyendo as=ED a una gesti=F3n cl=EDnica m=E1=
s eficiente y
personalizada de la enfermedad de Alzheimer.
Aunque numerosos estudios han empleado la base ADNI y algoritmos de
aprendizaje autom=E1tico para clasificar sujetos a lo largo del continuo
NC=96MCI=96EA, muchos se han centrado en un =FAnico dominio de datos (por e=
jemplo,
solo neuroimagen o solo pruebas cognitivas) o en tama=F1os muestrales m=E1s
peque=F1os. En este trabajo se propone un enfoque multimodal que integra un
conjunto amplio de biomarcadores morfom=E9tricos con evaluaciones
neuropsicol=F3gicas en una cohorte de 1 382 participantes, utilizando algor=
itmos
de =FAltima generaci=F3n (XGBoost, LightGBM)
con optimizaci=F3n sistem=E1tica de hiperpar=E1metros<=
/span>. Este
enfoque permite evaluar de forma cuantitativa el beneficio real de la
integraci=F3n multimodal frente a modelos unimodales y proporciona evidencia
espec=EDfica sobre la mejora en la detecci=F3n del MCI, etapa cr=EDtica par=
a la
intervenci=F3n temprana.
METODOLOG=CDA
Dise=F1o del estudio y poblaci=F3n<= o:p>
Se realiz=F3 un estudio observacional retrospectivo utilizando datos
provenientes de las cohortes ADNI‑1, ADNI‑GO y ADNI‑2 del estudio Alzheimer's Disease
Neuroimaging Initiative
(ADNI), un proyecto longitudinal y multic=E9ntrico dise=F1ado para caracter=
izar la
progresi=F3n de la enfermedad de Alzheimer, proporcionando datos estandariz=
ados
de neuroimagen, biomarcadores y evaluaciones cognitivas (Thompson et al., 2=
017;
Weiner et al., 2013). La muestra incluy=F3 1,382 participantes, clasificado=
s en
tres grupos diagn=F3sticos: controles cognitivos (NC), deterioro cognitivo =
leve
(MCI) y enfermedad de Alzheimer (EA), de acuerdo con los criterios
estandarizados del DSM-IV y el National Institute on Aging.
La clasificaci=F3n diagn=F3stica se bas=F3 en evaluaciones cl=EDnicas,
neuropsicol=F3gicas y funcionales realizadas por expertos.
Variables y fuentes de datos
Se analizaron tres dominios principales de variables:
=95 =
=95 =
=95 =
Preprocesamiento de datos
El flujo de an=E1lisis se implement=F3 en Python 3.10 usando Jupyter Notebooks, con control de versiones en Git. Se
utilizaron las bibliotecas pandas, numpy y scikit-learn. Los datos crudos se cargaron desde un a=
rchivo
CSV delimitado por punto y coma, y se filtraron las columnas de inter=E9s
mediante un script personalizado. La variable dependiente (DXCURREN) se
codific=F3 num=E9ricamente (0 =3D NC, 1 =3D MCI, 2 =3D EA) para su procesam=
iento
algor=EDtmico.
Para manejar valores faltantes, se aplic=F3 el m=E9todo de imputaci=F3n=
k-nearest neighbors (KNNImputer) para variables con menos del 15% missingness, seleccion=E1ndose k=3D5 como un compromi=
so entre
estabilidad de la imputaci=F3n y complejidad computacional, en concordancia=
con
recomendaciones habituales en la literatura, preservando la mayor cantidad
posible de informaci=F3n. Los datos se dividieron en un conjunto de entrena=
miento
(80%) y otro de prueba (20%) mediante partici=F3n estratificada (train_test_split), garantizando la representaci=F3n
proporcional de cada grupo diagn=F3stico. Las variables continuas se
estandarizaron (StandardScaler) o normalizaron =
(RobustScaler, MinMaxScaler) seg=FAn
su distribuci=F3n, utilizando umbrales de asimetr=EDa (skewness)
calculados mediante an=E1lisis exploratorio. Esto permiti=F3 que todas las
variables tuvieran un peso comparable en los modelos.
=95 =
StandardScaler=
para edad (sk=
ewness=3D0.12)
=95 =
RobustScaler
=95 =
MinMaxScaler
An=E1lisis estad=EDstico y modeliza=
ci=F3n
El an=E1lisis exploratorio incluy=F3 visualizaciones interactivas usand=
o matplotlib/seaborn:
distribuciones de edad/educaci=F3n con histogramas y medidas de asimetr=EDa,
diagramas de caja comparando biomarcadores por grupo diagn=F3stico y matriz=
de
correlaci=F3n de 21x21 variables (Figura 1). Para la clasificaci=F3n diagn=
=F3stica,
se evaluaron seis algoritmos de aprendizaje autom=E1tico mediante validaci=
=F3n
cruzada estratificada (5-fold) para evaluar la estabilidad y generalizaci=
=F3n de
los modelos, minimizando el riesgo de sobreajuste:
=95 &=
nbsp;
=95 &=
nbsp;
=95 =
XGBoost (XGB),
=95 =
LightGBM (LGBM),
=95 =
=95 =
La selecci=F3n de estos algoritmos se bas=F3 en su capacidad para manej=
ar datos
heterog=E9neos, su robustez ante variables correlacionadas y su uso frecuen=
te en
estudios biom=E9dicos.
La optimizaci=F3n de hiperpar=E1metros se r=
ealiz=F3
mediante Optuna, una herramienta de optimizaci=
=F3n
bayesiana, con 30 iteraciones por modelo. La b=FAsqueda se llev=F3 a cabo d=
entro de
cada fold de la validaci=F3n cruzada estratific=
ada de 5
particiones, asegurando que la selecci=F3n de hiperpar=
=E1metros
no se beneficiara de informaci=F3n del conjunto de prueba y evitando as=ED =
la fuga
de datos. Para XGBoost, se ajustaron par=E1metr=
os como learning_rate (0.01=961), max_de=
pth
(5=9630) y subsample (0.5=961). En LightGBM,
se optimizaron lambda_l1 (0.01=960.1) y min_child_samp=
les
(20=9670). El rendimiento de los modelos se evalu=F3 mediante precisi=F3n e=
quilibrada
(balanced accuracy),
puntaje F1 ponderado (weighted F1-score), curva=
s ROC
multiclase y matriz de confusi=F3n normalizada. El rendimiento de los model=
os se
midi=F3 mediante:
=95 =
=95 =
=95 =
=95 =
Adem=E1s, se compar=F3 el rendimiento de los distintos modelos mediante=
dos
pruebas estad=EDsticas complementarias sobre los resultados de la validaci=
=F3n
cruzada estratificada y el conjunto de prueba, considerando diferencias
significativas aquellas con un valor de p < 0.05:
Test de Wilcoxon signed-rank: Se aplic=F3 p=
ara
comparar los scores de accuracy por fold (n=3D5) entre pares de modelos durante la valida=
ci=F3n
cruzada. Esta prueba no param=E9trica es adecuada para datos ordinales/cont=
inuos
peque=F1os y emparejados, evaluando si las diferencias sistem=E1ticas en
rendimiento entre algoritmos son estad=EDsticamente significativas sin asum=
ir
normalidad de las diferencias entre folds.
Test de McNemar: Se utiliz=F3 para analizar las tablas de contingencia =
de
predicciones en el conjunto de prueba independiente, enfoc=E1ndose en error=
es
discordantes (casos donde un modelo acierta y otro fall=
a).
Es espec=EDficamente sensible a diferencias pr=E1cticas en clasificaci=F3n
binaria/multiclase, evaluando directamente si un clasificador es superior al
otro en t=E9rminos de decisiones correctas vs. incorrectas.
La combinaci=F3n de ambas pruebas proporcion=F3 una evaluaci=F3n robust=
a:
Wilcoxon analiz=F3 la consistencia del rendimiento a trav=E9s de folds (estabilidad), mientras McNemar evalu=F3 la
superioridad pr=E1ctica en predicciones reales (utilidad cl=EDnica). Esta
estrategia dual es est=E1ndar en machine learning
biom=E9dico para evitar conclusiones sesgadas por usar una sola m=E9trica
estad=EDstica.
Implementaci=F3n del pipeline
Se construy=F3 un pipeline de procesamiento integrado que inclu=EDa:
=95 =
=95 =
=95 =
Este pipeline garantiz=F3 la reproducibilidad y consistencia del proces=
o,
desde la carga de datos hasta la predicci=F3n final. El desarrollo se reali=
z=F3 en Jupyter Notebooks y se version=F3 mediante Git para a=
segurar
trazabilidad y control de cambios.
An=E1lisis de importancia de
caracter=EDsticas
Se aplicaron t=E9cnicas de interpretaci=F3n de modelos (feature
importance) para identificar las variables m=E1s
relevantes en la clasificaci=F3n diagn=F3stica. Se observ=F3 que los vol=FA=
menes
hipocampales, el volumen de la corteza entorrinal y las medidas de sustancia
gris total fueron los biomarcadores con mayor poder predictivo, mientras que
las pruebas cognitivas como MMSCORE y FAQTOTAL (puntaje total de la Functional Activities
RESULTADOS Y DISCUSI=D3N
El an=E1lisis comparativo de los seis algoritmos de aprendizaje autom=
=E1tico
demostr=F3 que los modelos basados en =E1rboles de decisi=F3n, particularme=
nte XGBoost y LightGBM, ofrec=
ieron el
mejor rendimiento para la clasificaci=F3n de las tres etapas diagn=F3sticas:
controles cognitivos (NC), deterioro cognitivo leve (MCI) y enfermedad de
Alzheimer (AD) (Tabla1). Tras la optimizaci=F3n de hip=
erpar=E1metros,
el modelo XGBoost alcanz=F3 una precisi=F3n equ=
ilibrada
del 83.72% y un puntaje F1 ponderado de 83.69% en el conjunto de validaci=
=F3n,
superando significativamente a los modelos basados =FAnicamente en variables
cognitivas, que lograron una precisi=F3n equilibrada de 78% (Tabla2).
Tabla1
|
Modelo Original |
Accuracy |
Recall |
Precision |
F1 Score |
|
XGB_CLF |
83.44% |
83.44% |
83.69<=
span
lang=3DES-MX style=3D'mso-bidi-font-size:12.0pt;mso-bidi-font-family:Cali=
bri;
mso-bidi-theme-font:minor-latin;color:#3B3838;mso-themecolor:background2;
mso-themeshade:64;mso-font-kerning:1.0pt'>% |
83.41% |
|
RF_CLF |
82.1=
8% |
82.1=
8% |
82.5=
8% |
82.1=
7% |
|
KNN_CLF |
73.32% |
73.32% |
73.63% |
73.37% |
|
LGBM_CLF |
83.1=
7% |
83.1=
7% |
83.4=
4% |
83.1=
6% |
|
LR |
58.03% |
58.03% |
59.35% |
57.30% |
|
SVC_CLF |
56.2=
7% |
56.2=
7% |
71.6=
1% |
46.1=
2% |
Tabla2
|
Modelo Optimizado (Optuna) |
Accuracy |
Recall |
Precision<=
span
lang=3DES-MX style=3D'mso-bidi-font-size:12.0pt;mso-bidi-font-family:Cali=
bri;
mso-bidi-theme-font:minor-latin;color:#3B3838;mso-themecolor:background2;
mso-themeshade:64;mso-font-kerning:1.0pt'> |
F1 Score |
|
TUNED_XGB_CLF |
83.72% |
83.72% |
84.00% |
83.69% |
|
TUNED_LGBM_CLF |
83.6=
6% |
83.6=
6% |
83.6=
8% |
83.6=
5% |
|
TUNED_RF_CLF |
82.51% |
82.51% |
82.92% |
82.49% |
Las diferencias en precisi=F3n equilibrada entre el modelo XGBoost y los dem=E1s algoritmos fueron estad=EDstica=
mente
significativas en la validaci=F3n cruzada estratificada (p < 0.05), lo q=
ue
respalda que la superioridad observada no se debe al azar.
Evaluaci=F3n del Modelo Final mediante Curva ROC y Matri=
z de
Confusi=F3n
Para evaluar en profundidad el rendimiento del modelo final optimizado,=
se
generaron la curva ROC multiclase y la matriz de confusi=F3n correspondient=
e.
La Curva ROC (Figura 1) confirma la excelente capacidad
discriminatoria del modelo para distinguir entre las tres clases. Los valor=
es
del =C1rea Bajo la Curva (AUC) fueron de 0.95 para la clase NC, 0.92 para M=
CI y
0.95 para AD. Estos resultados indican un rendimiento excepcional, cercano =
al
clasificador perfecto (AUC=3D1.0), siendo la clase MCI, como era de esperar=
dada
su naturaleza de transici=F3n, la que presenta un AUC ligeramente inferior,
aunque a=FAn sobresaliente.
![](3D"299.Diagramacion_archivos/image004.png")
=
Figura 1. Curvas ROC multiclase del
modelo XGBoost para la clasificaci=F3n de contr=
oles
cognitivos (NC), deterioro cognitivo leve (MCI) y enfermedad de Alzheimer (=
EA)
en el conjunto de prueba, con los correspondientes valores de =E1rea bajo la
curva (AUC) para cada clase.
La Matriz de Confusi=F3n (Figura 2) proporciona una visi=F3n detalla=
da de
los aciertos y errores del clasificador. Se observa que la mayor=EDa de las
predicciones se concentran en la diagonal principal, lo que indica
clasificaciones correctas. Por ejemplo, de 549 sujetos NC, 464 fueron
correctamente identificados. Los errores m=E1s significativos se produjeron=
en la
confusi=F3n entre NC y MCI, con 80 sujetos NC clasificados err=F3neamente c=
omo MCI,
y 66 sujetos MCI como NC. Asimismo, existe una superposici=F3n discernible =
entre
MCI y AD, con 93 casos de AD siendo predichos como MCI. Este patr=F3n de
confusi=F3n es cl=EDnicamente plausible, ya que refleja la continuidad sint=
om=E1tica
y patol=F3gica entre estas etapas.
![](3D"299.Diagramacion_archivos/image006.png")
Figura 2. Matriz de confusi=F3n
normalizada del modelo XGBoost en el conjunto de
prueba, que muestra las proporciones de clasificaciones correctas en la
diagonal principal y los casos de confusi=F3n entre controles cognitivos (N=
C),
deterioro cognitivo leve (MCI) y enfermedad de Alzheimer (AD).
=
M=E9tricas de Clasificaci=F3n por Clase
El Reporte de Clasificaci=F3n (Figura 3) desglosa las m=E9tricas de
precisi=F3n, exhaustividad (recall) y puntuaci=
=F3n F1
para cada clase. El modelo logr=F3 una precisi=F3n balanceada entre las tres
clases, con valores de puntuaci=F3n F1 de 0.85 (NC), 0.84 (MCI) y 0.82 (AD)=
. La
exactitud (accuracy) global del modelo fue del =
85%.
Es notable que la clase MCI, a menudo la m=E1s dif=EDcil de clasificar, alc=
anz=F3 la
mayor exhaustividad (recall =3D 0.87), lo que s=
ignifica
que el modelo es particularmente eficaz para identificar correctamente a la
mayor=EDa de los individuos con esta condici=F3n. Por su parte, las clases =
NC y AD
mostraron una mayor precisi=F3n (0.86 y 0.87, respectivamente), indicando q=
ue
cuando el modelo predice estas clases, es muy probable que sea correcto.
![](3D"299.Diagramacion_archivos/image008.jpg")
=
Figura 3. M=E9tricas de precisi=
=F3n,
exhaustividad (recall) y F1̴=
9;score por clase para el modelo <=
span
class=3DSpellE>XGBoost, junto con la exactitud global, en la tarea de
clasificaci=F3n de controles cognitivos (NC),
deterioro cognitivo leve (MCI) y enfermedad de Alzheimer (AD).
=
Importancia de las variables predictoras
El an=E1lisis de importancia de caracter=EDsticas revel=F3 que los vol=
=FAmenes
hipocampales (TOTAL_HIPPO), el volumen de la corteza entorrinal
(ENTORHINAL_VOLUME) y las medidas de sustancia gris total (TOTAL_GRAY) fuer=
on
los biomarcadores con mayor poder predictivo en el modelo final. Entre las
variables cognitivas, el Mini-Mental State Examination=
(MMSCORE) y la escala funcional FAQTOTAL mantuvieron alta relevancia, pero =
su
capacidad discriminativa se potenci=F3 notablemente al combinarse con los d=
atos
morfom=E9tricos, especialmente para diferenciar entre controles y sujetos c=
on
MCI.
El mapa de calor de correlaci=F3n entre caracter=EDsticas (Figura 4) mo=
str=F3 una
asociaci=F3n significativa entre los vol=FAmenes hipocampales y el diagn=F3=
stico,
reforzando la evidencia previa sobre la importancia de la atrofia mesial
temporal en la EA.
![3D"detect](3D"299.Diagramacion_archivos/image010.png")
Figura 4: Figura 4. Mapa de calor de correlaci=F3n entre=
las
caracter=EDsticas cognitivas y morfom=E9tricas incluidas en el modelo, dest=
acando
la asociaci=F3n entre los vol=FAmenes hipocampales y el diagn=F3stico a lo =
largo del
continuo NC=96MCI=96AD.
El an=E1lisis de importancia de caracter=EDsticas revel=F3 que las vari=
ables
cognitivas MMSCORE y FAQTOTAL mantuvieron una alta relevancia predictiva
incluso en el modelo integrado, pero su poder discriminativo aument=F3 cuan=
do se
combinaron con los biomarcadores morfom=E9tricos, especialmente para difere=
nciar
entre NC y MCI. La validaci=F3n cruzada estratificada (5-fold) confirm=F3 la
robustez y estabilidad del modelo, con una desviaci=F3n est=E1ndar de la pr=
ecisi=F3n
de =B10.04 entre las particiones, lo que indica un bajo riesgo de sobreajus=
te y
una buena capacidad de generalizaci=F3n a nuevos datos dentro de la cohorte=
ADNI
(Figura 5). El pipeline integrado demostr=F3 consistencia en diferentes
subconjuntos de la base ADNI, sugiriendo buena generalizaci=F3n a nuevos da=
tos.
![3D"modelo](3D"299.Diagramacion_archivos/image012.png")
Figura 5. Rendimiento del modelo
Los resultados de este estudio muestran que la integraci=F3n multimodal=
de
biomarcadores morfom=E9tricos derivados de resonancia magn=E9tica con evalu=
aciones
cognitivas permite mejorar de forma significativa la clasificaci=F3n de las
etapas de progresi=F3n de la enfermedad de Alzheimer, en comparaci=F3n con =
modelos
basados exclusivamente en variables cognitivas. En particular, el modelo
Estos hallazgos son coherentes con la evidencia previa que se=F1ala la
utilidad de la neuroimagen estructural y de los vol=FAmenes hipocampales y =
de
corteza entorrinal como marcadores sensibles de neurodegeneraci=F3n en la
enfermedad de Alzheimer. Sin embargo, el presente trabajo aporta evidencia
adicional al demostrar que la combinaci=F3n expl=EDcita de estas medidas
morfom=E9tricas con pruebas cognitivas estandarizadas, en una cohorte ampli=
a de
la base ADNI, incrementa la sensibilidad y mantiene una elevada especificid=
ad
respecto a enfoques unimodales. De este modo, el estudio refuerza la
importancia de abordar el diagn=F3stico desde una perspectiva integradora q=
ue
considere simult=E1neamente los cambios estructurales cerebrales y el rendi=
miento
cognitivo.
Una contribuci=F3n relevante de este trabajo es la implementaci=F3n de =
un
pipeline completo de aprendizaje autom=E1tico que incluye imputaci=F3n de v=
alores
faltantes, escalado de caracter=EDsticas, optimizaci=F3n bayesiana de hiperpar=E1metros y validaci=F3n cruzada estratificad=
a,
aplicado a m=FAltiples algoritmos de clasificaci=F3n. La comparaci=F3n sist=
em=E1tica
mostr=F3 que los modelos basados en =E1rboles de decisi=F3n potenciados, co=
mo XGBoost y LightGBM, super=
an a
otros m=E9todos cl=E1sicos como regresi=F3n log=EDstica, SVM o KNN, lo que =
sugiere que
las relaciones no lineales y las interacciones entre variables juegan un pa=
pel
importante en la discriminaci=F3n entre NC, MCI y EA. Adem=E1s, el an=E1lis=
is de
importancia de caracter=EDsticas confirm=F3 el papel central de los vol=FAm=
enes
hipocampales, la corteza entorrinal y la sustancia gris total, junto con
pruebas como el Mini-Mental State Examination y=
la Functional Activities
Desde la perspectiva del marco NIA-AA, que promueve una definici=F3n
biol=F3gica de la enfermedad basada en biomarcadores, los resultados de este
estudio respaldan el valor de integrar marcadores de neurodegeneraci=F3n con
medidas cognitivas para caracterizar con mayor precisi=F3n el continuo cl=
=EDnico de
la enfermedad de Alzheimer. En particular, la mejora en la identificaci=F3n=
de la
etapa MCI tiene implicaciones cl=EDnicas directas, ya que puede facilitar la
selecci=F3n de pacientes candidatos a intervenciones tempranas y a ensayos
cl=EDnicos dirigidos a fases prodr=F3micas o iniciales de la enfermedad. Al=
mismo
tiempo, la capacidad del modelo para mantener buenas tasas de clasificaci=
=F3n en
los grupos de controles y de demencia establecida contribuye a reducir erro=
res
diagn=F3sticos potencialmente relevantes en la pr=E1ctica asistencial.
A pesar de sus fortalezas, este estudio presenta limitaciones que deben=
ser
consideradas al interpretar los resultados. En primer lugar, el dise=F1o
observacional y retrospectivo, basado en datos de la base ADNI, puede
introducir sesgos de selecci=F3n y limita la posibilidad de extrapolar
directamente los hallazgos a poblaciones m=E1s diversas. En segundo lugar, =
la
validaci=F3n del modelo se realiz=F3 dentro de la propia cohorte ADNI, por =
lo que
ser=E1 necesario evaluar su desempe=F1o en bases de datos independientes y =
en
entornos cl=EDnicos reales para confirmar su generalizaci=F3n. Finalmente, =
aunque
se integraron m=FAltiples biomarcadores estructurales y pruebas cognitivas,=
no se
incluyeron otros tipos de marcadores, como datos gen=E9ticos, de l=EDquido
cefalorraqu=EDdeo o de PET, que podr=EDan enriquecer a=FAn m=E1s la capacid=
ad
predictiva de los modelos y abrir nuevas l=EDneas de investigaci=F3n futura=
.
CONCLUSIONES
Este estudio demuestra que la integraci=F3n multimodal de biomarcadores
morfom=E9tricos obtenidos por resonancia magn=E9tica con evaluaciones cogni=
tivas
mejora de forma significativa la precisi=F3n en la clasificaci=F3n de contr=
oles
cognitivos, deterioro cognitivo leve y enfermedad de Alzheimer, en comparac=
i=F3n
con modelos basados =FAnicamente en variables cognitivas. El modelo XGBoost optimizado alcanz=F3 una precisi=F3n equilibr=
ada
superior al 83% y una alta capacidad discriminativa global, con especial
eficacia para la identificaci=F3n de sujetos con deterioro cognitivo leve, =
etapa
clave para la intervenci=F3n temprana.
Los hallazgos refuerzan la pertinencia de enfoques diagn=F3sticos aline=
ados
con el marco NIA-AA, que combinan informaci=F3n estructural cerebral y dese=
mpe=F1o
cognitivo para definir de manera m=E1s precisa la enfermedad de Alzheimer a=
lo
largo de su continuo cl=EDnico. La metodolog=EDa propuesta, basada en un pi=
peline
reproducible de aprendizaje autom=E1tico y en una cohorte amplia de la base=
ADNI,
sienta las bases para el desarrollo de herramientas de apoyo a la decisi=F3n
cl=EDnica que podr=EDan facilitar una selecci=F3n m=E1s adecuada de pacient=
es para
ensayos cl=EDnicos y estrategias terap=E9uticas personalizadas.
De cara al futuro, ser=E1 necesario validar estos modelos en otras
poblaciones y contextos asistenciales, as=ED como explorar la incorporaci=
=F3n de
biomarcadores adicionales (gen=E9ticos, de l=EDquido cefalorraqu=EDdeo o PE=
T) que
puedan potenciar a=FAn m=E1s el rendimiento predictivo y la aplicabilidad c=
l=EDnica
de los enfoques multimodales.
AGRADECIMIENTOS
REFERENCIAS
Alzheimer's Association. (2023). 2023 Alzheimer's disease facts and
figures. Alzheimer's & Dementia, 19(4), 1598-1695.
https://doi.org/10.1002/alz.13016
American Psychiatric Association. (2013). Diagnostic and statistical
manual of mental disorders (5th ed.).
https://doi.org/10.1176/appi.books.9780890425596
Barnes, D. E., Yaffe, K., Byers, A. L., McCormick, M., Schaefer, C.,
& Whitmer, R. A. (2009). Midlife vs late-life depressive symptoms and r=
isk
of dementia: Differential effects for Alzheimer disease and vascular dement=
ia.
Archives of General Psychiatry, 66(5), 527-533.
https://doi.org/10.1001/archgenpsychiatry.2009.39
Braak, H., & Braak, E. (1991). Neuropathological stageing
of Alzheimer-related changes. Acta Neuropathologica,
82(4), 239-259. https://doi.org/10.1007/BF00308809
Dubois, B., Feldman, H. H., Jacova, C., Hampel, H., Molinuevo,
J. L., Blennow, K., ... & Cummings, J. L. (=
2021).
Revised criteria for diagnosis and staging of Alzheimer's disease. The Lancet Neurology, 20(6), 484-496.
https://doi.org/10.1016/S1474-4422(21)00066-1
Dubois, B., Feldman, H. H., Jacova, C., Cummings, J. L., DeKosky, S.=
T.,
Barberger-Gateau, P., ... & Scheltens,
P. (2016). Advancing research diagnostic criteria for Alzheimer's disease: =
The
IWG-2 criteria. The Lancet Neurology, 13(6), 614-629.
https://doi.org/10.1016/S1474-4422(14)70090-0
Falahati, F., Westman, E., & Simmons, A. (2014). Multimodal
prediction of conversion to Alzheimer's disease in mild cognitive impairmen=
t.
Journal of Alzheimer's Disease, 41(4), 1205-1219.
https://doi.org/10.3233/JAD-140201
Fischl, B. (2012). FreeSurfer. NeuroImage, 62(2), 774-781.
https://doi.org/10.1016/j.neuroimage.2012.01.021
Frisoni, G. B., Fox, N. C., Jack, C. R., Scheltens,
P., & Thompson, P. M. (2010). The clinical use of structural MRI in
Alzheimer disease. Nature Reviews Neurology, 6(2), 67-77.
https://doi.org/10.1038/nrneurol.2009.215
Jack, C. R., Bennett, D. A., Blennow, K.,
Carrillo, M. C., Dunn, B., Haeberlein, S. B. ...
& Sperling, R. (2018). NIA-AA research framework: Toward a biological
definition of Alzheimer's disease. Alzheimer's & Dementia, 14(4), 535-5=
62.
https://doi.org/10.1016/j.jalz.2018.02.018
Jack, C. R., Petersen, R. C., O'Brien, P. C., & Tangalos,
E. G. (1992). MR-based hippocampal volumetry in the diagnosis of Alzheimer's
disease. Neurology, 42(1), 183-188. https://doi.org/10.1212/wnl.42.1.183
McKhann, G. M., Knopman, D. S., Chertkow, H., Hyman, B. T., Jack, C. R., Kawas, C. H.=
, ...
& Phelps, C. H. (2011). The diagnosis of dementia due to Alzheimer's
disease: Recommendations from the National Institute on Aging-Alzheimer's
Association workgroups on diagnostic guidelines for Alzheimer's disease.
Alzheimer's & Dementia, 7(3), 263=96269.
https://doi.org/10.1016/j.jalz.2011.03.005
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B.,
Grisel, O. ... & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python.
Journal of Machine Learning Research, 12, 2825=962830.
http://www.jmlr.org/papers/v12/pedregosa11a.html
Risacher, S. L., Saykin, A. J., West, J.=
D.,
Shen, L., Firpi, H. A., & McDonald, B. C. (2019). MRI biomarkers in
Alzheimer's disease. NeuroImage: Clinical, 22,
101771. https://doi.org/10.1016/j.nicl.2019.101771
Thompson, P. M., et al. (2017). The Alzheimer's Disease Neuroimaging Initiative: Progress and
innovation. Alzheimer's & Dementia: Diagnosis, Assessment & Disease
Monitoring, 8, 1-8. https://doi.org/10.1016/j.dadm.2017.02.001
Weiner, M. W., Veitch, D. P., Aisen, P. S., Beckett, L. A., Cairns, =
N.
J., Green, R. C., ... & Trojanowski, J. Q. (2013). The Alzheimer's Dise=
ase
Neuroimaging Initiative: A review of papers published since its inception.
Alzheimer's & Dementia, 9(5), e111-e194.
https://doi.org/10.1016/j.jalz.2013.05.1769
World Health Organization. (2022). Global action plan on the public
health response to dementia 2017-2025.
https://www.who.int/publications/i/item/global-action-plan-on-the-public-he=
alth-response-to-dementia-2017---2025
|
Copyright =A9 2026, Autores: <=
span
class=3D01CuerpoESP03TEXTOS><=
w:Sdt
DocPart=3D"9F963A8DB7274F7FA802266C99DFED38" ID=3D"1976254975">Le=F3n Pino<=
/span>, Sheyla, Garea Llano, Eduardo |
|
|
|
|
|
E=
sta
obra est=E1 bajo una licencia de Creative Commons Atribuci=F3n-No Comerci=
al 4.0
Internacional |
![](3D"299.Diagramacion_archivos/image014.jpg")
=