Aprendizaje automático en el diagnóstico del Alzheimer: Guía 2026

Resumen rápido: El aprendizaje automático está revolucionando el diagnóstico de la enfermedad de Alzheimer mediante el análisis de datos de neuroimagen, marcadores genéticos y evaluaciones clínicas con una precisión sin precedentes. Estudios recientes muestran que los modelos de IA alcanzan una precisión del 96,191 % en la detección basada en resonancia magnética y del 99,821 % en enfoques multimodales híbridos, lo que permite una intervención más temprana que con los métodos tradicionales. Estas tecnologías identifican cambios sutiles en los biomarcadores años antes de que aparezcan los síntomas, lo que ofrece la esperanza de mejores resultados para los pacientes.

La enfermedad de Alzheimer representa una de las afecciones neurodegenerativas más devastadoras que afectan a millones de personas en todo el mundo. 

Los métodos de diagnóstico tradicionales a menudo detectan la enfermedad demasiado tarde. Cuando los síntomas clínicos se hacen evidentes, el daño cerebral ya es irreversible.

El aprendizaje automático cambia esta ecuación por completo.

Estos enfoques computacionales analizan patrones en imágenes cerebrales, datos genéticos y evaluaciones clínicas que los médicos no pueden detectar. Los resultados hablan por sí solos: los modelos recientes alcanzan tasas de precisión superiores al 96%, identificando a personas en riesgo años antes de que los métodos tradicionales detecten la enfermedad.

Pero aquí está el detalle: no todos los enfoques de aprendizaje automático funcionan igual de bien. El tipo de datos, la elección del algoritmo y la metodología de entrenamiento influyen drásticamente en la precisión del diagnóstico.

Comprender la enfermedad de Alzheimer y el desafío diagnóstico

La enfermedad de Alzheimer representa más del 601% de los pacientes atendidos en clínicas ambulatorias especializadas en demencia, lo que la convierte en la causa neurodegenerativa de demencia más frecuente. Esta enfermedad no aparece de forma aleatoria, sino que sigue patrones predecibles relacionados con la edad.

El diagnóstico precoz es fundamental. Una vez que aparecen los síntomas clínicos, el daño neuronal suele ser irreversible. Los métodos de diagnóstico tradicionales se basan en pruebas cognitivas, evaluaciones clínicas e imágenes, pero carecen de la sensibilidad necesaria para detectar cambios sutiles en sus etapas iniciales.

Los modelos de aprendizaje automático destacan precisamente donde fallan los métodos tradicionales: detectando patrones minúsculos en conjuntos de datos masivos.

Las cinco etapas de la progresión del Alzheimer

La enfermedad de Alzheimer no aparece de la noche a la mañana. Progresa a través de distintas etapas:

Los modelos de aprendizaje automático se centran en las dos primeras etapas —preclínica y deterioro cognitivo leve— donde la intervención aún puede marcar la diferencia.

Cómo los modelos de aprendizaje automático diagnostican la enfermedad de Alzheimer

Los métodos de aprendizaje automático se dividen en dos grandes categorías: algoritmos convencionales y redes de aprendizaje profundo. Cada uno ofrece ventajas distintas según el tipo de datos y el objetivo del diagnóstico.

El proceso fundamental se mantiene constante: entrenar el modelo con datos etiquetados (pacientes con diagnósticos conocidos) y, a continuación, probar su capacidad para clasificar correctamente los casos nuevos.

Enfoques convencionales de aprendizaje automático

Las máquinas de vectores de soporte (SVM) han demostrado un rendimiento excepcional en la clasificación de la enfermedad de Alzheimer. Estos algoritmos encuentran el límite óptimo que separa las diferentes categorías diagnósticas en un espacio de características de alta dimensión.

Investigaciones recientes demuestran que los modelos SVM logran un rendimiento competitivo para la clasificación multiclase (con puntuaciones F1 reportadas de 90,7% para la clasificación multiclase) en diferentes etapas de la enfermedad.

Los modelos de Bosque Aleatorio adoptan un enfoque diferente. Combinan múltiples árboles de decisión, cada uno entrenado con subconjuntos de datos ligeramente distintos. Este método de conjunto reduce el sobreajuste y mejora la generalización.

Los modelos de Bosque Aleatorio han demostrado un rendimiento sólido en tareas de clasificación de Alzheimer, y un estudio logró una precisión del 84,41 % (TP3T) cuando se incluyeron datos cognitivos.

Otros enfoques convencionales incluyen:

• Regresión logística para tareas de clasificación binaria
• XGBoost para árboles de decisión potenciados por gradiente
• k-vecinos más cercanos para la clasificación basada en similitud
• Bayes ingenuo para predicciones probabilísticas

Redes de aprendizaje profundo

Los modelos de aprendizaje profundo procesan datos sin procesar, como escáneres cerebrales, sin necesidad de ingeniería de características manual. Las redes neuronales convolucionales (CNN) destacan en el análisis de imágenes, lo que las hace ideales para la interpretación de resonancias magnéticas y tomografías por emisión de positrones (PET).

Las arquitecturas ResNet50 y MobileNetV2 han logrado una precisión del 96,19% al analizar imágenes de resonancia magnética del conjunto de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI).

Aquí es donde la cosa se pone interesante: los modelos híbridos que combinan múltiples arquitecturas de aprendizaje profundo pueden aumentar aún más la precisión. Un enfoque híbrido alcanzó una precisión de 99,82% en el conjunto de datos del Centro Nacional de Coordinación del Alzheimer (NACC).

Los modelos CNN-LSTM combinan el reconocimiento de patrones espaciales con el análisis de secuencias temporales. Esta arquitectura logró una precisión del 90,911 TP3T mediante espectroscopia infrarroja cercana no invasiva, lo que ofrece una opción de diagnóstico portátil.

Datos de neuroimagen: resonancia magnética y tomografía por emisión de positrones (PET)

Las imágenes cerebrales constituyen la fuente de datos más valiosa para los modelos de aprendizaje automático. Las resonancias magnéticas revelan cambios estructurales: atrofia del hipocampo, adelgazamiento cortical y alteraciones de la sustancia blanca. Las tomografías por emisión de positrones (PET) muestran la actividad metabólica y los depósitos de proteínas, como las placas amiloides y los ovillos de tau.

Los modelos de aprendizaje automático extraen características de estos escaneos que se correlacionan con la progresión de la enfermedad.

Clasificación basada en resonancia magnética

La resonancia magnética estructural permite detectar cambios anatómicos en las regiones cerebrales afectadas por la enfermedad de Alzheimer. El hipocampo se reduce en las primeras etapas de la enfermedad, lo que hace que las mediciones volumétricas sean especialmente valiosas.

Sin embargo, medir el volumen del hipocampo manualmente lleva tiempo e introduce variabilidad. El aprendizaje automático automatiza este proceso e identifica patrones sutiles adicionales en todo el cerebro.

Los modelos recientes que utilizan las arquitecturas ResNet50 y MobileNetV2 lograron una precisión del 96,19% al distinguir entre cognición normal, deterioro cognitivo leve y enfermedad de Alzheimer en el conjunto de datos ADNI.

El proceso funciona así:

1. El preprocesamiento estandariza las exploraciones cerebrales (alineación, eliminación del cráneo, normalización de la intensidad).
2. La CNN extrae características espaciales en diferentes regiones del cerebro.
3. Las capas de clasificación asignan estas características a categorías de diagnóstico.
4. El modelo genera puntuaciones de probabilidad para cada diagnóstico.

Imágenes PET y patología tau

Las tomografías por emisión de positrones (PET) detectan cambios moleculares antes de que aparezca el daño estructural. Las placas de beta-amiloide y los ovillos de tau, las proteínas características del Alzheimer, se visualizan claramente en las imágenes PET.

La aprobación por parte de la FDA de Tauvid, un radiotrazador PET dirigido a la patología tau, abrió nuevas posibilidades diagnósticas. La acumulación de tau se correlaciona más estrechamente con el deterioro cognitivo que los depósitos de amiloide por sí solos.

Los modelos de aprendizaje automático entrenados con datos PET pueden predecir la progresión de la enfermedad con años de antelación. Los enfoques combinados PET-RM aprovechan la información molecular y estructural para lograr la máxima precisión.

Enfoques de neuroimagen multimodal

Los mejores resultados se obtienen al combinar varias técnicas de imagen. La resonancia magnética muestra dónde se ha reducido el tamaño del cerebro. La tomografía por emisión de positrones (PET) muestra dónde se han acumulado las proteínas tóxicas. Juntas, ofrecen una imagen completa.

Los modelos multimodales lograron una precisión del 95,521 TP3T en la identificación de las etapas de la enfermedad de Alzheimer y su progresión desde el deterioro cognitivo leve (DCL) mediante la combinación de datos clínicos y de resonancia magnética.

En realidad, los modelos de una sola modalidad funcionan bien para la clasificación binaria (enfermedad de Alzheimer frente a normalidad). Pero para la estadificación de la enfermedad y la predicción de su progresión, los enfoques multimodales son los más adecuados.

Datos genéticos y predicción de riesgos

Las variantes genéticas influyen en el riesgo de padecer Alzheimer mucho antes de que aparezcan los síntomas. El alelo APOE-ε4 representa el factor de riesgo genético más importante, pero docenas de otros loci también contribuyen.

Los modelos de aprendizaje automático pueden detectar patrones genéticos sutiles que los estudios de asociación de genoma completo tradicionales no detectan.

Más allá de APOE: nuevos loci genéticos

Los métodos estadísticos tradicionales identificaron genes de riesgo importantes como el APOE. El aprendizaje automático va más allá, descubriendo interacciones complejas entre múltiples variantes genéticas.

Las máquinas de potenciación de gradiente (GBM, por sus siglas en inglés), aplicadas a datos genómicos de 41.686 individuos, replicaron con éxito todas las variantes genómicas significativas conocidas e identificaron 6 nuevos loci. Estos incluyen variantes que se mapean en ARHGAP25, LY6H, COG7, SOD1 y ZNF597.

El modelo GBM alcanzó un área bajo la curva (AUC) de 0,692 para distinguir los casos de los controles, comparable a las puntuaciones de riesgo poligénico (PRS) tradicionales, que obtuvieron una puntuación de 0,689.

Pero esto es lo que importa: los modelos de aprendizaje automático capturaron 22% de asociaciones de metaanálisis más amplios que no habrían alcanzado significación estadística solo en el conjunto de entrenamiento.

Combinación de datos genéticos y de imágenes

Los datos genéticos detectan el riesgo antes de que aparezcan los síntomas. Los datos de imagen muestran los cambios cerebrales reales. La combinación de ambos mejora drásticamente la precisión de la predicción.

La resonancia magnética refleja cambios anatómicos que ya están en marcha. Los datos genéticos identifican el riesgo años o décadas antes de que aparezcan los primeros cambios estructurales. Los modelos entrenados con ambos tipos de datos pueden estratificar a los pacientes en categorías de riesgo y predecir la evolución de la enfermedad.

Este enfoque multimodal de imagen genética permite una evaluación de riesgos verdaderamente personalizada.

Integración de datos clínicos y de biomarcadores

Las evaluaciones cognitivas y las mediciones de biomarcadores proporcionan información diagnóstica crucial. La escala de calificación clínica de demencia (CDR), el examen minimental (MMSE) y otras pruebas neuropsicológicas cuantifican la función cognitiva.

Los biomarcadores del líquido cefalorraquídeo —beta-amiloide 42, tau total y tau fosforilada— se correlacionan fuertemente con la patología.

El papel fundamental de las evaluaciones cognitivas

Un estudio reciente evaluó cuatro modelos de aprendizaje automático para la clasificación de las etapas de la enfermedad de Alzheimer con y sin datos de evaluación cognitiva. Los resultados fueron sorprendentes.

El algoritmo Random Forest alcanzó una precisión del 84,41 % TP3T al incluir datos cognitivos. Sin ellos, el rendimiento disminuyó significativamente en todos los modelos.

El análisis SHAP reveló que los modelos se basan principalmente en puntuaciones funcionales como la Escala de Demencia Clínica (Suma de Cuadros) cuando está disponible. Al eliminar dichas puntuaciones, los modelos cambian correctamente a marcadores biológicos: imágenes PET de la carga de amiloide (FBB, AV45) y mediciones de atrofia del hipocampo.

Esto demuestra algo importante: los modelos de aprendizaje automático aprenden patrones médicamente relevantes. No se limitan a memorizar datos, sino que descubren las mismas relaciones que reconocen los médicos.

Predicción de la progresión de la enfermedad

Diagnosticar el estado actual de la enfermedad es importante. Pero predecir su progresión futura es aún más importante.

¿Puede el aprendizaje automático predecir qué pacientes con deterioro cognitivo leve progresarán a demencia de Alzheimer en un plazo de cuatro años? Investigaciones recientes demuestran que sí.

Los modelos SVM lograron puntuaciones F1 de 88% para la predicción de progresión binaria y de 72,8% para las categorías de progresión multiclase durante un período de 4 años.

Esta capacidad transforma la toma de decisiones clínicas. Los médicos pueden identificar a los pacientes de alto riesgo que necesitan un seguimiento intensivo y ensayos de intervención temprana.

Explicabilidad del modelo y confianza clínica

La precisión por sí sola no garantiza su adopción clínica. Los médicos necesitan comprender por qué un modelo realiza predicciones específicas.

Los algoritmos opacos que arrojan diagnósticos sin explicación generan problemas de confianza. Si un modelo no puede explicar su razonamiento, los médicos no confiarán en él para la atención de los pacientes.

SHAP y LIME para la interpretación de modelos

El método SHAP (SHapley Additive exPlanations) cuantifica la contribución de cada característica a las predicciones individuales. Este enfoque revela qué regiones cerebrales, variantes genéticas o puntuaciones cognitivas influyeron en un diagnóstico específico.

LIME (Local Interpretable Model-agnostic Explanations) adopta un enfoque diferente. Aproxima el comportamiento del modelo complejo localmente en torno a una predicción específica utilizando un modelo más simple e interpretable.

Los estudios que utilizaron el análisis SHAP en modelos SVM identificaron la función de la memoria, el juicio, la capacidad de comunicación y la orientación como los factores más importantes para determinar el riesgo de padecer la enfermedad de Alzheimer. Estos hallazgos coinciden perfectamente con el conocimiento clínico: el modelo aprendió patrones médicamente relevantes.

Métodos de extracción de reglas

Algunos investigadores extraen reglas explícitas de modelos entrenados. Estas declaraciones condicionales (si-entonces), fáciles de interpretar para los humanos, ayudan a los médicos a comprender los límites de las decisiones.

Dos métodos de extracción de reglas —minería de reglas de clase y conjuntos de reglas estables e interpretables— generaron reglas comprensibles a partir de clasificadores complejos. Expertos en la materia validaron estas reglas, confirmando que reflejaban relaciones médicas genuinas en lugar de correlaciones espurias.

Este proceso de validación es de suma importancia. Demuestra que los modelos de alto rendimiento no solo memorizan datos de entrenamiento, sino que descubren patrones de diagnóstico reales.

Hable sobre su proyecto de aprendizaje automático sobre el Alzheimer con AI Superior.

Para los equipos que trabajan en aprendizaje automático en el diagnóstico de Alzheimer, IA superior Pueden ayudar a convertir una idea inicial en un proyecto de IA estructurado. Su trabajo abarca consultoría en IA, aprendizaje automático, ciencia de datos, desarrollo de software de IA, desarrollo de pruebas de concepto y evaluación de modelos, lo que resulta ideal para proyectos donde los datos clínicos, la calidad del modelo y la implementación práctica requieren una planificación minuciosa.

AI Superior puede brindar soporte a los equipos con:

• Definición del caso de uso de ML y el alcance del proyecto.
• Revisión de los conjuntos de datos disponibles y los requisitos de datos.
• Construir una prueba de concepto o prototipo.
• Desarrollo de modelos de aprendizaje automático y ciencia de datos.
• Pruebas de rendimiento y fiabilidad del modelo
• Planificación de la integración en el software existente o en los flujos de trabajo internos.
• Brindamos soporte para el desarrollo de productos de IA desde la concepción inicial hasta su implementación.

En el caso de proyectos de diagnóstico de Alzheimer, esto puede ser relevante para equipos que trabajan con historiales clínicos, datos relacionados con imágenes, datos de evaluación cognitiva, biomarcadores u otros conjuntos de datos médicos estructurados.

Contacta con IA Superior para discutir el proyecto.

Conjuntos de datos clave que impulsan la investigación en aprendizaje automático sobre el Alzheimer

Los modelos de aprendizaje automático necesitan conjuntos de datos grandes y bien etiquetados. Varios repositorios importantes facilitan la investigación sobre el Alzheimer.

ADNI: Iniciativa de Neuroimagen de la Enfermedad de Alzheimer

ADNI representa el estándar de oro en la investigación de neuroimagen. Combina resonancias magnéticas y tomografías por emisión de positrones (PET) longitudinales con evaluaciones cognitivas, datos genéticos y mediciones de biomarcadores de miles de participantes.

El conjunto de datos realiza un seguimiento de los participantes a lo largo de los años, lo que permite realizar estudios de predicción de la progresión de la enfermedad. La mayoría de los parámetros de precisión publicados hacen referencia a los datos de ADNI, lo que permite comparar los resultados entre diferentes estudios.

NACC: Centro Nacional de Coordinación del Alzheimer

NACC recopila datos de centros de investigación sobre la enfermedad de Alzheimer en todo Estados Unidos. Con 169.408 registros y 1024 características, supera con creces a la mayoría de los demás conjuntos de datos.

El modelo híbrido de IA logró una precisión del 99,821 TP3T entrenado con datos de NACC, aunque ese rendimiento excepcional requirió una cuidadosa selección de características y ajuste del modelo.

Otros repositorios importantes

Kaggle aloja diversos conjuntos de datos sobre el Alzheimer con fines de investigación y competición. 

MIRIAD (Minimal Interval Resonance Imaging in Alzheimer's Disease) proporciona exploraciones de resonancia magnética en múltiples momentos, adecuadas para estudios longitudinales.

Cada conjunto de datos tiene sus ventajas y limitaciones. ADNI ofrece los datos multimodales más completos. NACC proporciona el mayor tamaño de muestra. Los conjuntos de datos de Kaggle varían en calidad, pero permiten la creación rápida de prototipos.

Desafíos de la implementación clínica

La precisión en la investigación y el rendimiento en el mundo real difieren significativamente. Los modelos que alcanzan una precisión de 95%+ en conjuntos de datos de investigación cuidadosamente seleccionados suelen tener dificultades cuando se aplican a datos clínicos rutinarios.

La brecha entre la investigación y la práctica

Los conjuntos de datos de investigación se someten a un exhaustivo control de calidad. Los escaneos siguen protocolos estandarizados. Los datos faltantes se imputan o excluyen cuidadosamente.

Los datos clínicos de rutina son más complejos. Los protocolos de escaneo varían entre hospitales. La calidad de la imagen fluctúa. Los valores faltantes aparecen con frecuencia.

Un estudio evaluó específicamente el rendimiento del aprendizaje automático basado en resonancia magnética en datos clínicos reales en comparación con conjuntos de datos de investigación. La disminución de la precisión fue sustancial: los modelos entrenados con datos de investigación impecables tuvieron dificultades con la variabilidad del mundo real.

Requisitos reglamentarios y de validación

La aprobación de la FDA exige demostrar la seguridad y la eficacia en poblaciones de pacientes diversas. Los modelos entrenados principalmente con voluntarios de investigación pueden no ser generalizables a poblaciones demográficas más amplias.

La validación con conjuntos de datos externos —completamente independientes de los datos de entrenamiento— proporciona la medida de rendimiento más precisa. Muchos estudios publicados solo informan resultados de validación cruzada interna, lo que sobreestima la precisión en el mundo real.

Integración con flujos de trabajo clínicos

Incluso los modelos más precisos fallan si interrumpen los flujos de trabajo clínicos. Los radiólogos no utilizarán herramientas que requieran horas de preprocesamiento o anotación manual de imágenes.

La implementación clínica exitosa exige:

• Pipelines de preprocesamiento automatizados que manejan calidad de imagen variable
• Tiempos de inferencia rápidos compatibles con la programación clínica.
• Informes de resultados claros y prácticos
• Integración con los sistemas PACS y EMR existentes.
• Predicciones explicables que respaldan la toma de decisiones clínicas.

Tendencias emergentes y direcciones futuras

Este campo sigue avanzando rápidamente. Varias líneas de investigación prometedoras podrían mejorar aún más la precisión diagnóstica y la utilidad clínica.

Modelos fundamentales y aprendizaje por transferencia

El preentrenamiento a gran escala con diversos datos de imágenes médicas crea modelos fundamentales. Estos pueden ajustarse para el diagnóstico de la enfermedad de Alzheimer con conjuntos de datos más pequeños y específicos de la enfermedad.

Este enfoque aborda el desafío constante de la escasez de datos etiquetados. En lugar de entrenar desde cero, los modelos parten del conocimiento adquirido a partir de millones de escáneres cerebrales en diversas condiciones.

Aprendizaje federado para la colaboración que preserva la privacidad

Las normativas de privacidad del paciente limitan el intercambio de datos entre instituciones. El aprendizaje federado permite entrenar modelos en múltiples centros sin centralizar los datos confidenciales.

Cada hospital entrena un modelo local con sus propios datos. Solo se comparten de forma centralizada las actualizaciones del modelo, no los datos de los pacientes. Este enfoque podría liberar conjuntos de datos que actualmente se encuentran aislados debido a restricciones de privacidad.

Biomarcadores líquidos y diagnósticos accesibles

El modelo CNN-LSTM, que alcanza una precisión del 90,911 TP3T mediante espectroscopia de infrarrojo cercano, apunta hacia un futuro de diagnósticos portátiles y no invasivos.

Las pruebas de biomarcadores en sangre, combinadas con el aprendizaje automático, podrían facilitar la detección precoz en centros de atención primaria. Esta accesibilidad ampliaría drásticamente la detección temprana más allá de las clínicas especializadas en memoria.

Modelado longitudinal y predicción de trayectorias

Los modelos actuales realizan principalmente clasificaciones transversales. Los enfoques futuros modelarán mejor las trayectorias de la enfermedad, prediciendo no solo el estado actual, sino también la forma del deterioro futuro.

Las redes neuronales recurrentes y los modelos de convolución temporal pueden capturar la dinámica de progresión. Esto podría permitir identificar a los pacientes con progresión rápida frente a los de progresión lenta, facilitando así la planificación de tratamientos personalizados.

Consideraciones prácticas para los sistemas de atención médica

Los hospitales y los sistemas de salud que consideran la implementación del aprendizaje automático se enfrentan a varias cuestiones prácticas.

Análisis de costo-beneficio

Las exploraciones por resonancia magnética y tomografía por emisión de positrones (PET) conllevan costes significativos. El aprendizaje automático no elimina las técnicas de imagen, sino que extrae más valor de las exploraciones existentes.

La viabilidad económica depende de si la detección temprana mejora realmente los resultados. Si se dispone de tratamientos que modifican el curso de la enfermedad, el diagnóstico precoz se justifica económicamente. Hasta entonces, el valor reside principalmente en una mejor captación de pacientes para ensayos clínicos y una planificación más eficaz de los mismos.

Requisitos de experiencia

La implementación de sistemas de aprendizaje automático requiere la colaboración entre radiólogos, neurólogos, científicos de datos y especialistas en TI.

La mayoría de los hospitales carecen de experiencia interna en aprendizaje automático. Las soluciones de terceros y las plataformas de diagnóstico basadas en la nube podrían cubrir esta carencia, pero plantean problemas de privacidad de datos y dependencia de un proveedor específico.

Consideraciones éticas

Los modelos predictivos plantean interrogantes difíciles. ¿Deberían informarse a los pacientes que probablemente desarrollarán Alzheimer cuando no existe un tratamiento eficaz?

Las predicciones de riesgo genético agravan estas preocupaciones. Las personas de alto riesgo pueden sufrir discriminación por parte de las aseguradoras o angustia psicológica al conocer su probable futuro.

Es necesario que el avance tecnológico vaya acompañado de directrices claras en materia de divulgación de información, asesoramiento y autonomía del paciente.

Comparación del rendimiento del aprendizaje automático en diferentes estudios

Las cifras de precisión publicadas varían enormemente. Comprender el porqué ayuda a interpretar las afirmaciones de las investigaciones.

Varios factores explican estas diferencias:

• Dificultad de la tarea: La clasificación binaria (EA frente a normal) es más sencilla que la estadificación multiclase o la predicción de la progresión.
• Calidad del conjunto de datos: Los conjuntos de datos de investigación seleccionados permiten una mayor precisión que los datos clínicos heterogéneos.
• Disponibilidad de funciones: Los modelos que incluyen datos clínicos, de imagen y genéticos completos superan a los enfoques de modalidad única.
• Equilibrio de clases: Los conjuntos de datos con el mismo número de pacientes en cada categoría ofrecen una mayor precisión que las distribuciones desequilibradas del mundo real.

El umbral de precisión de clasificación 95% para distinguir la EA de la MCI o la CN representa un punto de referencia significativo que múltiples estudios han alcanzado o superado.

Limitaciones de los enfoques actuales

A pesar de las impresionantes cifras de precisión, el aprendizaje automático en el diagnóstico del Alzheimer se enfrenta a limitaciones reales.

Limitaciones del conjunto de datos

La mayoría de los conjuntos de datos de investigación subrepresentan a las poblaciones minoritarias, a los pacientes rurales y a las personas con comorbilidades. Los modelos entrenados con estos conjuntos de datos pueden no ser generalizables a poblaciones diversas del mundo real.

Los conjuntos de datos longitudinales realizan un seguimiento de los participantes durante años, pero incluyen tamaños de muestra relativamente pequeños. Esto limita la capacidad de predicción de resultados poco frecuentes.

Heterogeneidad biológica

La enfermedad de Alzheimer no es una sola afección. Los diferentes subtipos implican distintos patrones de acumulación de proteínas y neurodegeneración.

Los modelos actuales ignoran en gran medida esta heterogeneidad, tratando todos los casos de EA como equivalentes. Los modelos específicos para cada subtipo podrían mejorar la precisión y la adecuación del tratamiento.

Desafíos de interpretabilidad

A pesar de los avances de SHAP y LIME, los modelos de aprendizaje profundo siguen siendo parcialmente opacos. Los médicos no solo quieren saber qué características son importantes, sino también por qué ciertos patrones indican la presencia de una enfermedad.

La comprensión neurocientífica de por qué ciertos patrones de imágenes se correlacionan con el deterioro cognitivo aún es incompleta. El aprendizaje automático identifica estos patrones, pero no explica los mecanismos subyacentes.

Preguntas frecuentes