pág. 4945
EFECTIVIDAD DE LA RESONANCIA
MAGNÉTICA CEREBRAL EN EL
DIAGNÓSTICO PRECOZ Y
CARACTERIZACIÓN DEL ALZHEIMER:
REVISIÓN SISTEMÁTICA
EFFECTIVENESS OF BRAIN MAGNETIC RESONANCE
IMAGING IN THE EARLY DIAGNOSIS AND
CHARACTERIZATION OF ALZHEIMER'S DISEASE:
SYSTEMATIC REVIEW
Angamarca Coello Daniela Elizabeth
Autor independiente
Pacheco Guevara Diego Fernando
Autor independiente
Beltran Carreño Jose Patricio
Autor independiente
pág. 4946
DOI: https://doi.org/10.37811/cl_rcm.v9i5.19821
Efectividad de la resonancia magnética cerebral en el diagnóstico precoz y
caracterización del Alzheimer: revisión sistemática
Angamarca Coello Daniela Elizabeth1
daniela.angamarca@ucuenca.edu.ec
https://orcid.org/0000-0003-4930-5086
Autor independiente
Pacheco Guevara Diego Fernando
diegopachecog2@gmail.com
https://orcid.org/0009-0003-9702-1544
Autor independiente
Beltran Carreño Jose Patricio
jose.beltran@ucuenca.edu.ec
https://orcid.org/0000-0002-1972-0812
Autor independiente
RESUMEN
INTRODUCCION: El Alzheimer (EA) es una clase de patología cerebral que provoca demencia en
individuos de edad avanzada. Es crucial detectar de manera adecuada la enfermedad y su antecesor, el
deterioro cognitivo leve (DCL), que puede presentarse hasta 8 años antes de la aparición de los
síntomas de demencia, a tiempo. Es ahora esencial la inclusión de técnicas de neuroimagen en la
evaluación e identificación adecuada de esta enfermedad. A escala global, se estima que la prevalencia
de la demencia se produzca a un ritmo de un nuevo caso cada tres segundos. El objetivo de esta
revisión fue evaluar la confiabilidad de la resonancia magnética para el diagnóstico precoz de
Alzheimer. RESULTADOS: Los progresos en la imagenología médica y la capacidad computacional
facilitan nuevas técnicas para la identificación precoz de desórdenes neurocognitivos, con la finalidad
de evitar o disminuir el deterioro mental. El estudio de imágenes asistido por computadora y la
identificación precoz de alteraciones en la cognición son métodos prometedores para pacientes con
deterioro cognitivo leve, en ocasiones una fase prodrómica de la demencia debido a la enfermedad de
Alzheimer. METODOLOGIA: Se realizó una revisión sistemática, de acuerdo con la declaración
PRISMA 2020. Identificamos 41 registros. La búsqueda se realizó en PubMed, Cochrane, RSNA,
Science Direct, desde el año 2019 hasta marzo de 2025. Se utilizaron operadores boléanos como
estrategia de búsqueda avanzada. CONCLUSION: Los métodos de diagnóstico convencionales se
fundamentan principalmente en evaluaciones clínicas y neuroimagen estándar, que en ocasiones
pueden resultar en diagnósticos ambiguos o tardíos, especialmente en las primeras fases de las
patologías neurodegenerativas.
Palabras claves: Neuroimagen, Alzheimer, demencia, deterioro cognitivo leve
1 Autor principal
Correspondencia: daniela.angamarca@ucuenca.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v9i5.19821
Efectividad de la resonancia magnética cerebral en el diagnóstico precoz y
caracterización del Alzheimer: revisión sistemática
Angamarca Coello Daniela Elizabeth1
daniela.angamarca@ucuenca.edu.ec
https://orcid.org/0000-0003-4930-5086
Autor independiente
Pacheco Guevara Diego Fernando
diegopachecog2@gmail.com
https://orcid.org/0009-0003-9702-1544
Autor independiente
Beltran Carreño Jose Patricio
jose.beltran@ucuenca.edu.ec
https://orcid.org/0000-0002-1972-0812
Autor independiente
RESUMEN
INTRODUCCION: El Alzheimer (EA) es una clase de patología cerebral que provoca demencia en
individuos de edad avanzada. Es crucial detectar de manera adecuada la enfermedad y su antecesor, el
deterioro cognitivo leve (DCL), que puede presentarse hasta 8 años antes de la aparición de los
síntomas de demencia, a tiempo. Es ahora esencial la inclusión de técnicas de neuroimagen en la
evaluación e identificación adecuada de esta enfermedad. A escala global, se estima que la prevalencia
de la demencia se produzca a un ritmo de un nuevo caso cada tres segundos. El objetivo de esta
revisión fue evaluar la confiabilidad de la resonancia magnética para el diagnóstico precoz de
Alzheimer. RESULTADOS: Los progresos en la imagenología médica y la capacidad computacional
facilitan nuevas técnicas para la identificación precoz de desórdenes neurocognitivos, con la finalidad
de evitar o disminuir el deterioro mental. El estudio de imágenes asistido por computadora y la
identificación precoz de alteraciones en la cognición son métodos prometedores para pacientes con
deterioro cognitivo leve, en ocasiones una fase prodrómica de la demencia debido a la enfermedad de
Alzheimer. METODOLOGIA: Se realizó una revisión sistemática, de acuerdo con la declaración
PRISMA 2020. Identificamos 41 registros. La búsqueda se realizó en PubMed, Cochrane, RSNA,
Science Direct, desde el año 2019 hasta marzo de 2025. Se utilizaron operadores boléanos como
estrategia de búsqueda avanzada. CONCLUSION: Los métodos de diagnóstico convencionales se
fundamentan principalmente en evaluaciones clínicas y neuroimagen estándar, que en ocasiones
pueden resultar en diagnósticos ambiguos o tardíos, especialmente en las primeras fases de las
patologías neurodegenerativas.
Palabras claves: Neuroimagen, Alzheimer, demencia, deterioro cognitivo leve
1 Autor principal
Correspondencia: daniela.angamarca@ucuenca.edu.ec
pág. 4947
Effectiveness of brain magnetic resonance imaging in the early diagnosis
and characterization of Alzheimer's disease: systematic review
ABSTRACT
INTRODUCTION: Alzheimer's disease (AD) is a type of brain disorder that causes dementia in older
individuals. It is crucial to detect the disease and its precursor, mild cognitive impairment (MCI),
which can occur up to 8 years before the onset of dementia symptoms, in a timely manner. It is now
essential to include neuroimaging techniques in the proper assessment and identification of this
disease. Globally, it is estimated that the prevalence of dementia occurs at a rate of one new case every
three seconds. RESULTS: Advances in medical imaging and computing power are facilitating new
techniques for the early identification of neurocognitive disorders, with the aim of preventing or
slowing mental decline. Computer-assisted image analysis and early identification of cognitive
impairments are promising methods for patients with mild cognitive impairment, which is sometimes a
prodromal phase of dementia due to Alzheimer's disease. METHODOLOGY: A systematic review
was conducted in accordance with the PRISMA 2020 statement. We identified 41 records. The search
was conducted in PubMed, Cochrane, RSNA, and Science Direct from 2019 to March 2025. Boolean
operators were used as an advanced search strategy. CONCLUSION: Conventional diagnostic
methods are based mainly on clinical evaluations and standard neuroimaging, which can sometimes
result in ambiguous or delayed diagnoses, especially in the early stages of neurodegenerative diseases.
Keywords: Neuroimaging, Alzheimer's disease, dementia, mild cognitive impairment.
Artículo recibido 09 agosto 2025
Aceptado para publicación: 13 septiembre 2025
Effectiveness of brain magnetic resonance imaging in the early diagnosis
and characterization of Alzheimer's disease: systematic review
ABSTRACT
INTRODUCTION: Alzheimer's disease (AD) is a type of brain disorder that causes dementia in older
individuals. It is crucial to detect the disease and its precursor, mild cognitive impairment (MCI),
which can occur up to 8 years before the onset of dementia symptoms, in a timely manner. It is now
essential to include neuroimaging techniques in the proper assessment and identification of this
disease. Globally, it is estimated that the prevalence of dementia occurs at a rate of one new case every
three seconds. RESULTS: Advances in medical imaging and computing power are facilitating new
techniques for the early identification of neurocognitive disorders, with the aim of preventing or
slowing mental decline. Computer-assisted image analysis and early identification of cognitive
impairments are promising methods for patients with mild cognitive impairment, which is sometimes a
prodromal phase of dementia due to Alzheimer's disease. METHODOLOGY: A systematic review
was conducted in accordance with the PRISMA 2020 statement. We identified 41 records. The search
was conducted in PubMed, Cochrane, RSNA, and Science Direct from 2019 to March 2025. Boolean
operators were used as an advanced search strategy. CONCLUSION: Conventional diagnostic
methods are based mainly on clinical evaluations and standard neuroimaging, which can sometimes
result in ambiguous or delayed diagnoses, especially in the early stages of neurodegenerative diseases.
Keywords: Neuroimaging, Alzheimer's disease, dementia, mild cognitive impairment.
Artículo recibido 09 agosto 2025
Aceptado para publicación: 13 septiembre 2025
pág. 4948
INTRODUCCIÓN
La demencia neurodegenerativa más común es la enfermedad de Alzheimer (1). Se cree que comienza
entre 15 y 20 años antes de que se presenten los síndromes. Los síndromes suceden debido a la
eliminación de las neuronas que son responsables del razonamiento, la memoria y la educación. Con
el tiempo, los síndromes tienden a volverse más graves e invasivos al realizar actividades diarias,
como caminar, perder habilidades y organizar eventos familiares. En este punto, se considera que el
declive cognitivo es resultado de la enfermedad de Alzheimer (2).
Según el resumen técnico de la Organización Mundial de la Salud (OMS) del año 2022, la enfermedad
de Alzheimer es, a nivel global, el trastorno neurológico que más crece en cuanto a incapacidad y
muerte entre los pacientes que lo padecen (Organización, 2022). Se estima que para el año 2050, 135
millones de personas padecerán algún nivel de demencia; además, cada año se registran diez millones
de casos nuevos (2,3).
Cerca del 60 al 90% de los trastornos neurodegenerativos se clasifican como subtipos de demencia
vinculados a EA. (de acuerdo con los criterios de diagnóstico que se empleen), para la cual todavía no
hay tratamiento disponible (3,4).
El impacto económico que conlleva esta enfermedad la hace imposible de ignorar. La Sociedad
Española estima que el precio promedio por paciente con Alzheimer varía entre 28.200 y 17.100 euros
al año. En situaciones críticas, estos costos pueden ser más altos y una parte de ellos requieren
institucionalización (5).
Con el objetivo de detener la degeneración anormal de las neuronas cerebrales, los investigadores
están llevando a cabo un diagnóstico precoz de la EA. Además, generó una ventaja emocional y
económica para la familia del paciente (2,6).
La edad es el principal factor de riesgo para la demencia; a los 65 años, su prevalencia es del 1 al 2 %,
pero se eleva hasta el 30 % a los 85 años (3). Factores de riesgo para la EA han sido identificados,
incluyendo la genética, la edad, los problemas vasculares y las lesiones cerebrales traumáticas (7).
Aún es un desafío en la práctica clínica detectar la progresión del deterioro cognitivo leve a EA. La
baja tasa de éxito en los ensayos para el tratamiento de la EA se debe a una combinación de factores.
La detección tardía es el primer factor (8).
INTRODUCCIÓN
La demencia neurodegenerativa más común es la enfermedad de Alzheimer (1). Se cree que comienza
entre 15 y 20 años antes de que se presenten los síndromes. Los síndromes suceden debido a la
eliminación de las neuronas que son responsables del razonamiento, la memoria y la educación. Con
el tiempo, los síndromes tienden a volverse más graves e invasivos al realizar actividades diarias,
como caminar, perder habilidades y organizar eventos familiares. En este punto, se considera que el
declive cognitivo es resultado de la enfermedad de Alzheimer (2).
Según el resumen técnico de la Organización Mundial de la Salud (OMS) del año 2022, la enfermedad
de Alzheimer es, a nivel global, el trastorno neurológico que más crece en cuanto a incapacidad y
muerte entre los pacientes que lo padecen (Organización, 2022). Se estima que para el año 2050, 135
millones de personas padecerán algún nivel de demencia; además, cada año se registran diez millones
de casos nuevos (2,3).
Cerca del 60 al 90% de los trastornos neurodegenerativos se clasifican como subtipos de demencia
vinculados a EA. (de acuerdo con los criterios de diagnóstico que se empleen), para la cual todavía no
hay tratamiento disponible (3,4).
El impacto económico que conlleva esta enfermedad la hace imposible de ignorar. La Sociedad
Española estima que el precio promedio por paciente con Alzheimer varía entre 28.200 y 17.100 euros
al año. En situaciones críticas, estos costos pueden ser más altos y una parte de ellos requieren
institucionalización (5).
Con el objetivo de detener la degeneración anormal de las neuronas cerebrales, los investigadores
están llevando a cabo un diagnóstico precoz de la EA. Además, generó una ventaja emocional y
económica para la familia del paciente (2,6).
La edad es el principal factor de riesgo para la demencia; a los 65 años, su prevalencia es del 1 al 2 %,
pero se eleva hasta el 30 % a los 85 años (3). Factores de riesgo para la EA han sido identificados,
incluyendo la genética, la edad, los problemas vasculares y las lesiones cerebrales traumáticas (7).
Aún es un desafío en la práctica clínica detectar la progresión del deterioro cognitivo leve a EA. La
baja tasa de éxito en los ensayos para el tratamiento de la EA se debe a una combinación de factores.
La detección tardía es el primer factor (8).
pág. 4949
Generalmente, se diagnostica a los pacientes con EA después de que los síntomas de una disminución
cognitiva, es decir, la demencia, ya han aparecido. En estos casos, se hace un diagnóstico tardío y no
se aplican acciones preventivas para reducir el deterioro cognitivo (3,9).
Recientemente, los procedimientos de neuroimagen se han convertido en herramientas útiles para
detectar con anticipación y describir la EA. La resonancia magnética (RM) es una de las técnicas que
ha ganado mayor importancia debido a su naturaleza no invasiva, a su gran resolución espacial y a su
capacidad para proporcionar información funcional y estructural detallada sobre el cerebro. La
resonancia magnética es capaz de identificar alteraciones en la estructura cerebral que señalan el inicio
de la enfermedad de Alzheimer (1).
La resonancia magnética es el procedimiento más utilizado para identificar atrofias cerebrales
vinculadas a la EA, y se incluye entre los biomarcadores de esta enfermedad. La atrofia del
hipocampo, que es una anomalía en términos de volumen y que se puede evaluar tanto cuantitativa
como visualmente, es el marcador biológico de resonancia magnética más confiable para la EA. No
obstante, ha habido evidencia acumulada de que las atrofias en otras zonas del cerebro, por ejemplo la
corteza entorinal, brinda información pronóstica adicional (10).
La única forma concluyente de detectar la EA es a través de una biopsia cerebral. Por lo tanto, este
trastorno se diagnostica sobre todo por medio de un examen clínico y, si es posible, el diagnóstico se
fundamenta en biomarcadores que se encuentran en el líquido cefalorraquídeo o mediante imágenes
(10,11).
El objetivo de esta revisión sistemática es evaluar la precisión diagnóstica de la resonancia magnética
para predecir la progresión de deterioro cognitivo leve a Alzheimer.
Los deterioros cognitivos se vuelven más comunes a medida que las personas envejecen, lo cual
representa un problema de salud pública relevante y afecta de manera significativa la calidad de vida
de las personas mayores (12).
El deterioro cognitivo leve es un periodo intermedio entre la senescencia sana y la demencia. Este dura
entre tres y quince años, lo que equivale a una tasa de conversión anual a EA del 3 al 15%, en
contraste con el 1-2% de la población general (13).
Generalmente, se diagnostica a los pacientes con EA después de que los síntomas de una disminución
cognitiva, es decir, la demencia, ya han aparecido. En estos casos, se hace un diagnóstico tardío y no
se aplican acciones preventivas para reducir el deterioro cognitivo (3,9).
Recientemente, los procedimientos de neuroimagen se han convertido en herramientas útiles para
detectar con anticipación y describir la EA. La resonancia magnética (RM) es una de las técnicas que
ha ganado mayor importancia debido a su naturaleza no invasiva, a su gran resolución espacial y a su
capacidad para proporcionar información funcional y estructural detallada sobre el cerebro. La
resonancia magnética es capaz de identificar alteraciones en la estructura cerebral que señalan el inicio
de la enfermedad de Alzheimer (1).
La resonancia magnética es el procedimiento más utilizado para identificar atrofias cerebrales
vinculadas a la EA, y se incluye entre los biomarcadores de esta enfermedad. La atrofia del
hipocampo, que es una anomalía en términos de volumen y que se puede evaluar tanto cuantitativa
como visualmente, es el marcador biológico de resonancia magnética más confiable para la EA. No
obstante, ha habido evidencia acumulada de que las atrofias en otras zonas del cerebro, por ejemplo la
corteza entorinal, brinda información pronóstica adicional (10).
La única forma concluyente de detectar la EA es a través de una biopsia cerebral. Por lo tanto, este
trastorno se diagnostica sobre todo por medio de un examen clínico y, si es posible, el diagnóstico se
fundamenta en biomarcadores que se encuentran en el líquido cefalorraquídeo o mediante imágenes
(10,11).
El objetivo de esta revisión sistemática es evaluar la precisión diagnóstica de la resonancia magnética
para predecir la progresión de deterioro cognitivo leve a Alzheimer.
Los deterioros cognitivos se vuelven más comunes a medida que las personas envejecen, lo cual
representa un problema de salud pública relevante y afecta de manera significativa la calidad de vida
de las personas mayores (12).
El deterioro cognitivo leve es un periodo intermedio entre la senescencia sana y la demencia. Este dura
entre tres y quince años, lo que equivale a una tasa de conversión anual a EA del 3 al 15%, en
contraste con el 1-2% de la población general (13).
pág. 4950
Para los especialistas en EA, la identificación de pacientes con DCL es un tema actual. Estos se
dividen a su vez en dos etapas: el deterioro cognitivo leve inicial (EMCI) y el tardío (LMCI). El
diagnóstico en una etapa temprana proporciona información fundamental para el tratamiento y la toma
de decisiones adecuadas a tiempo. Asimismo, es ventajoso para reducir los costos y proporcionar
cuidado a largo plazo (2).
En la detección de la demencia emergente de la enfermedad de Alzheimer durante el declive cognitivo
leve, se han consolidado las mediciones volumétricas de resonancia magnética (RM) como una técnica
habitual. Para brindar un diagnóstico más temprano y preciso, se han desarrollado sofisticados
algoritmos de aprendizaje automático de RM (10).
La resonancia magnética cerebral (RM) se ha afianzado como un instrumento esencial en el
diagnóstico temprano y la caracterización del Alzheimer, ya que posibilita identificar biomarcadores
funcionales y estructurales que anteceden a la aparición clínica de la enfermedad. Se han creado e
implementado numerosas metodologías avanzadas en años recientes, que abarcan técnicas de análisis
radiómico y aprendizaje automático. Estas han hecho posible el aumento de la sensibilidad y la
especificidad de la RM para detectar a tiempo patrones neurodegenerativos (15).
El Alzheimer se ha convertido en una de las inquietudes más importantes de salud pública a nivel
global, con un aumento en su prevalencia y tasa de mortalidad durante los últimos años. Se estima
que, en poblaciones de más de 65 años, la incidencia del Alzheimer ha crecido entre un 10% y un 20%
cada diez años. Además, diversos estudios han indicado que detectar esta enfermedad en sus primeras
etapas podría hacer una mejora considerable en el pronóstico y la calidad de vida de los pacientes (14).
Sin embargo, a pesar de estos avances epidemiológicos, la identificación precoz sigue siendo un reto,
debido a que las alteraciones neuroanatómicas iniciales son sutiles y difíciles de detectar mediante
métodos de diagnóstico convencionales (15).
En regiones como América Latina se ha evidenciado un incremento en la tasa de diagnóstico, lo que se
asocia tanto a una mayor esperanza de vida como a la mejora en los métodos de detección precoz (16).
Asimismo, las estadísticas recientes muestran un importante incremento en la cantidad de estudios
clínicos y ensayos multicéntricos enfocados en procedimientos de neuroimagen, lo que ha posibilitado
la comparación de diversos protocolos para adquirir y analizar imágenes (17). Estos estudios han
Para los especialistas en EA, la identificación de pacientes con DCL es un tema actual. Estos se
dividen a su vez en dos etapas: el deterioro cognitivo leve inicial (EMCI) y el tardío (LMCI). El
diagnóstico en una etapa temprana proporciona información fundamental para el tratamiento y la toma
de decisiones adecuadas a tiempo. Asimismo, es ventajoso para reducir los costos y proporcionar
cuidado a largo plazo (2).
En la detección de la demencia emergente de la enfermedad de Alzheimer durante el declive cognitivo
leve, se han consolidado las mediciones volumétricas de resonancia magnética (RM) como una técnica
habitual. Para brindar un diagnóstico más temprano y preciso, se han desarrollado sofisticados
algoritmos de aprendizaje automático de RM (10).
La resonancia magnética cerebral (RM) se ha afianzado como un instrumento esencial en el
diagnóstico temprano y la caracterización del Alzheimer, ya que posibilita identificar biomarcadores
funcionales y estructurales que anteceden a la aparición clínica de la enfermedad. Se han creado e
implementado numerosas metodologías avanzadas en años recientes, que abarcan técnicas de análisis
radiómico y aprendizaje automático. Estas han hecho posible el aumento de la sensibilidad y la
especificidad de la RM para detectar a tiempo patrones neurodegenerativos (15).
El Alzheimer se ha convertido en una de las inquietudes más importantes de salud pública a nivel
global, con un aumento en su prevalencia y tasa de mortalidad durante los últimos años. Se estima
que, en poblaciones de más de 65 años, la incidencia del Alzheimer ha crecido entre un 10% y un 20%
cada diez años. Además, diversos estudios han indicado que detectar esta enfermedad en sus primeras
etapas podría hacer una mejora considerable en el pronóstico y la calidad de vida de los pacientes (14).
Sin embargo, a pesar de estos avances epidemiológicos, la identificación precoz sigue siendo un reto,
debido a que las alteraciones neuroanatómicas iniciales son sutiles y difíciles de detectar mediante
métodos de diagnóstico convencionales (15).
En regiones como América Latina se ha evidenciado un incremento en la tasa de diagnóstico, lo que se
asocia tanto a una mayor esperanza de vida como a la mejora en los métodos de detección precoz (16).
Asimismo, las estadísticas recientes muestran un importante incremento en la cantidad de estudios
clínicos y ensayos multicéntricos enfocados en procedimientos de neuroimagen, lo que ha posibilitado
la comparación de diversos protocolos para adquirir y analizar imágenes (17). Estos estudios han
pág. 4951
evidenciado que la estandarización en la obtención de la RM y el uso de algoritmos automatizados
para clasificar pueden optimizar el proceso de toma de decisiones clínicas, fomentando intervenciones
personalizadas y tempranas, y disminuyendo así las cargas económicas y sociales intrínsecas a una
enfermedad de desarrollo progresivo como es el Alzheimer (18).
MATERIAL Y MÉTODOS
Criterios de búsqueda
Se realizó una revisión sistemática de la precisión diagnóstica de la resonancia magnética para
predecir Alzheimer, de acuerdo con la declaración Preferred Reporting Items for Systematic Reviews
and Meta-Analyses (PRISMA 2020). Identificamos 41 registros. En la figura 1 se muestra el diagrama
de flujo de la selección de estudios.
La búsqueda se realizó en PubMed, Cochrane, RSNA, Science Direct, desde el año 2019 hasta marzo
de 2025. Se utilizaron los siguientes operadores boléanos como estrategia de búsqueda avanzada: Y
(“neuroimagen”) Y (“Alzheimer*” O “demencia AD”) Y (“deterioro cognitivo leve” O “DCL”) Y
(“conversión” O “seguimiento”).
Solo se incluyeron artículos que cumplieran con los siguientes criterios de elegibilidad: publicados en
cualquier idioma y que discutieran la resonancia magnética como método diagnóstico para la
enfermedad de Alzheimer.
Se tomaron en cuenta investigaciones de cohortes de cualquier envergadura que involucraran a
pacientes seleccionados de manera prospectiva de cualquier edad con un diagnóstico de DCL, se
contemplaron investigaciones que contrastaban la exactitud del examen diagnóstico de la resonancia
magnética estructural inicial con el diagnóstico mediante seguimiento clínico de la demencia debido a
la enfermedad de Alzheimer. No se descartaron los estudios basándose en el tiempo de seguimiento.
Se contemplaron investigaciones que emplearon la valoración visual cualitativa o los cálculos
volumétricos cuantitativos de la resonancia magnética para identificar la atrofia en todo el cerebro o en
áreas específicas del mismo, tales como el hipocampo, el lóbulo temporal medio, los ventrículos
laterales, la circunvolución temporal.
No se incluyeron los artículos publicados antes de 2010 por la brecha tecnológica.
evidenciado que la estandarización en la obtención de la RM y el uso de algoritmos automatizados
para clasificar pueden optimizar el proceso de toma de decisiones clínicas, fomentando intervenciones
personalizadas y tempranas, y disminuyendo así las cargas económicas y sociales intrínsecas a una
enfermedad de desarrollo progresivo como es el Alzheimer (18).
MATERIAL Y MÉTODOS
Criterios de búsqueda
Se realizó una revisión sistemática de la precisión diagnóstica de la resonancia magnética para
predecir Alzheimer, de acuerdo con la declaración Preferred Reporting Items for Systematic Reviews
and Meta-Analyses (PRISMA 2020). Identificamos 41 registros. En la figura 1 se muestra el diagrama
de flujo de la selección de estudios.
La búsqueda se realizó en PubMed, Cochrane, RSNA, Science Direct, desde el año 2019 hasta marzo
de 2025. Se utilizaron los siguientes operadores boléanos como estrategia de búsqueda avanzada: Y
(“neuroimagen”) Y (“Alzheimer*” O “demencia AD”) Y (“deterioro cognitivo leve” O “DCL”) Y
(“conversión” O “seguimiento”).
Solo se incluyeron artículos que cumplieran con los siguientes criterios de elegibilidad: publicados en
cualquier idioma y que discutieran la resonancia magnética como método diagnóstico para la
enfermedad de Alzheimer.
Se tomaron en cuenta investigaciones de cohortes de cualquier envergadura que involucraran a
pacientes seleccionados de manera prospectiva de cualquier edad con un diagnóstico de DCL, se
contemplaron investigaciones que contrastaban la exactitud del examen diagnóstico de la resonancia
magnética estructural inicial con el diagnóstico mediante seguimiento clínico de la demencia debido a
la enfermedad de Alzheimer. No se descartaron los estudios basándose en el tiempo de seguimiento.
Se contemplaron investigaciones que emplearon la valoración visual cualitativa o los cálculos
volumétricos cuantitativos de la resonancia magnética para identificar la atrofia en todo el cerebro o en
áreas específicas del mismo, tales como el hipocampo, el lóbulo temporal medio, los ventrículos
laterales, la circunvolución temporal.
No se incluyeron los artículos publicados antes de 2010 por la brecha tecnológica.
pág. 4952
RESULTADOS
Como se muestra en la Fig. 1, el flujo de trabajo seguido para la selección de artículos incluyó las
cuatro fases (identificación, cribado, elegibilidad e inclusión) propuestas por las directrices PRISMA.
Mediante la búsqueda en las 4 bases de datos citadas se obtuvieron 484 registros, tras la lectura de
título y resumen de los textos seleccionados, 65 fueron eliminados al no tratar de forma directa la
pregunta de investigación. Luego de eliminar los duplicados y después de aplicar los criterios de
exclusión, se seleccionaron 41 artículos para la revisión.
Fig 1: Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA 2020)
El Alzheimer (EA) es una enfermedad progresiva e irreversible del cerebro que disminuye gradualmen
te la memoria y la función cognitiva, siendo la forma más frecuente de demencia a nivel global (19).
El deterioro cognitivo leve (DCL) es un punto intermedio en el daño de las neuronas de memoria, con
mayor probabilidad de progresión a demencia debido a la EA. La tasa de conversión investigada a seis
años entre DCL y EA es del 80%, respectivamente (2).
Fisiopatología
La fisiopatología de la EA todavía está siendo investigada. Los antecedentes familiares y ciertos genes
en el genoma también son factores de riesgo relevantes para el desarrollo de la EA (20).
RESULTADOS
Como se muestra en la Fig. 1, el flujo de trabajo seguido para la selección de artículos incluyó las
cuatro fases (identificación, cribado, elegibilidad e inclusión) propuestas por las directrices PRISMA.
Mediante la búsqueda en las 4 bases de datos citadas se obtuvieron 484 registros, tras la lectura de
título y resumen de los textos seleccionados, 65 fueron eliminados al no tratar de forma directa la
pregunta de investigación. Luego de eliminar los duplicados y después de aplicar los criterios de
exclusión, se seleccionaron 41 artículos para la revisión.
Fig 1: Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA 2020)
El Alzheimer (EA) es una enfermedad progresiva e irreversible del cerebro que disminuye gradualmen
te la memoria y la función cognitiva, siendo la forma más frecuente de demencia a nivel global (19).
El deterioro cognitivo leve (DCL) es un punto intermedio en el daño de las neuronas de memoria, con
mayor probabilidad de progresión a demencia debido a la EA. La tasa de conversión investigada a seis
años entre DCL y EA es del 80%, respectivamente (2).
Fisiopatología
La fisiopatología de la EA todavía está siendo investigada. Los antecedentes familiares y ciertos genes
en el genoma también son factores de riesgo relevantes para el desarrollo de la EA (20).
pág. 4953
La única manera de obtener un diagnóstico final y confirmado del Alzheimer es mediante la
identificación post mortem de los sellos histopatológicos que caracteriza realmente a esta enfermedad,
como son los ovillos neurofibrilares o los depósitos anormales de placa en el cerebro (20).
Se transmite como una mutación autosómica dominante, que es poco frecuente en la EA familiar de
inicio temprano (las alteraciones genéticas más consolidadas hoy en día son las presenilinas 1 y 2 y la
proteína precursora β-amiloide). En cambio, en la EA típica, que es más común y comienza tarde y de
manera esporádica, las mutaciones genéticas son menos frecuentes. Sin embargo, múltiples variantes
genéticas detectadas incrementan el peligro de EA y pueden llevar a patrones de riesgo familiar para la
enfermedad (21).
Las dos lesiones principales asociadas con la EA son las placas seniles y los ovillos neurofibrilares.
Las placas seniles son agregados no vasculares extracelulares de Aβ, más específicamente Aβ-40 y
Aβ-42. Las placas seniles se derivan del procesamiento anormal de la proteína precursora amiloide por
las β- y γ-secretasas, lo que resulta en un desequilibrio en las vías de producción y depuración. Los
monómeros de Aβ se depuran a través de la degradación enzimática y el drenaje perivascular, pero
pueden agregarse en complejos proteicos más grandes como oligómeros, protofibrillas y fibrillas
maduras. Finalmente, estos complejos se depositan en el cerebro como placas amiloides (22).
Factores que pueden aumentar el riesgo de progresión a la enfermedad de Alzheimer
∙ Aumento de la edad
∙ Fragilidad
∙ Sexo femenino
∙ bajo nivel educativo
∙ Estado heterocigoto APOE ε4
∙ Factores de riesgo poligénicos más allá de APOE
∙ Antecedentes familiares de la enfermedad de Alzheimer
∙ Queja de memoria o deterioro cognitivo subjetivo
∙ Magnitud de las lesiones cerebrales, inferida a partir de los resultados de biomarcadores
fisiopatológicos, especialmente si se buscan con PET
La única manera de obtener un diagnóstico final y confirmado del Alzheimer es mediante la
identificación post mortem de los sellos histopatológicos que caracteriza realmente a esta enfermedad,
como son los ovillos neurofibrilares o los depósitos anormales de placa en el cerebro (20).
Se transmite como una mutación autosómica dominante, que es poco frecuente en la EA familiar de
inicio temprano (las alteraciones genéticas más consolidadas hoy en día son las presenilinas 1 y 2 y la
proteína precursora β-amiloide). En cambio, en la EA típica, que es más común y comienza tarde y de
manera esporádica, las mutaciones genéticas son menos frecuentes. Sin embargo, múltiples variantes
genéticas detectadas incrementan el peligro de EA y pueden llevar a patrones de riesgo familiar para la
enfermedad (21).
Las dos lesiones principales asociadas con la EA son las placas seniles y los ovillos neurofibrilares.
Las placas seniles son agregados no vasculares extracelulares de Aβ, más específicamente Aβ-40 y
Aβ-42. Las placas seniles se derivan del procesamiento anormal de la proteína precursora amiloide por
las β- y γ-secretasas, lo que resulta en un desequilibrio en las vías de producción y depuración. Los
monómeros de Aβ se depuran a través de la degradación enzimática y el drenaje perivascular, pero
pueden agregarse en complejos proteicos más grandes como oligómeros, protofibrillas y fibrillas
maduras. Finalmente, estos complejos se depositan en el cerebro como placas amiloides (22).
Factores que pueden aumentar el riesgo de progresión a la enfermedad de Alzheimer
∙ Aumento de la edad
∙ Fragilidad
∙ Sexo femenino
∙ bajo nivel educativo
∙ Estado heterocigoto APOE ε4
∙ Factores de riesgo poligénicos más allá de APOE
∙ Antecedentes familiares de la enfermedad de Alzheimer
∙ Queja de memoria o deterioro cognitivo subjetivo
∙ Magnitud de las lesiones cerebrales, inferida a partir de los resultados de biomarcadores
fisiopatológicos, especialmente si se buscan con PET
pág. 4954
∙ Presencia de marcadores de neurodegeneración (es decir, atrofia hipocampal aislada en la
resonancia magnética, hipometabolismo con 18 F-fluorodesoxiglucosa-PET o cadena ligera de
neurofilamentos elevada en el LCR)
∙ Copatología (4,23,24)
El diagnóstico de la enfermedad de Alzheimer es clínico y biológico. Necesita tanto que estén
presentes biomarcadores de la enfermedad de Alzheimer (tau positivo y amiloide positivo) como un
fenotipo clínico específico de la enfermedad (fenotipo positivo) (23).
Protocolo de adquisición de resonancia magnética
La resonancia magnética (RM) ha adoptado como herramienta estándar las mediciones volumétricas
para identificar la aparición de demencia en la enfermedad de Alzheimer (EA) en el deterioro
cognitivo leve (DCL). Centrados en realizar un diagnóstico más temprano y exacto (10).
Las secuencias obligatorias incluyen inversión-recuperación atenuada por líquido (FLAIR)
tridimensional (3D) ponderada en T2, eco de gradiente recordado (GRE) ponderado en T2* e
imágenes ponderadas por difusión. La secuencia FLAIR constituye el pilar para diagnosticar ARIA-E,
y las secuencias GRE se utilizan para monitorear el contenido hemorrágico (19).
Se recomienda un espesor de sección de 5 mm o menos para todos los tipos de secuencia. La
sensibilidad para detectar microhemorragias y siderosis aumenta con la potencia del escáner de
resonancia magnética, tiempos de eco más largos y un ancho de banda de lectura más bajo (19).
Uso clínico de la resonancia magnética
La resonancia magnética brinda una gran cantidad de información para identificar varios
biomarcadores de imagen, algunos de los cuales necesitan un análisis y un posprocesamiento
complejos (24).
Se distingue por el deterioro de la memoria causado por la atrofia predominante de las estructuras
mediotemporales circundantes y del hipocampo. Se utiliza la escala semicuantitativa de atrofia
mesiotemporal para clasificar la atrofia en la EA (25).
El análisis del hipocampo es un campo de interés importante porque es una de las primeras estructuras
que se ven afectadas en la enfermedad de Alzheimer. Para el diagnóstico de la EA prodrómica, como
el deterioro cognitivo leve, se han sugerido varias mediciones de imágenes por resonancia magnética
∙ Presencia de marcadores de neurodegeneración (es decir, atrofia hipocampal aislada en la
resonancia magnética, hipometabolismo con 18 F-fluorodesoxiglucosa-PET o cadena ligera de
neurofilamentos elevada en el LCR)
∙ Copatología (4,23,24)
El diagnóstico de la enfermedad de Alzheimer es clínico y biológico. Necesita tanto que estén
presentes biomarcadores de la enfermedad de Alzheimer (tau positivo y amiloide positivo) como un
fenotipo clínico específico de la enfermedad (fenotipo positivo) (23).
Protocolo de adquisición de resonancia magnética
La resonancia magnética (RM) ha adoptado como herramienta estándar las mediciones volumétricas
para identificar la aparición de demencia en la enfermedad de Alzheimer (EA) en el deterioro
cognitivo leve (DCL). Centrados en realizar un diagnóstico más temprano y exacto (10).
Las secuencias obligatorias incluyen inversión-recuperación atenuada por líquido (FLAIR)
tridimensional (3D) ponderada en T2, eco de gradiente recordado (GRE) ponderado en T2* e
imágenes ponderadas por difusión. La secuencia FLAIR constituye el pilar para diagnosticar ARIA-E,
y las secuencias GRE se utilizan para monitorear el contenido hemorrágico (19).
Se recomienda un espesor de sección de 5 mm o menos para todos los tipos de secuencia. La
sensibilidad para detectar microhemorragias y siderosis aumenta con la potencia del escáner de
resonancia magnética, tiempos de eco más largos y un ancho de banda de lectura más bajo (19).
Uso clínico de la resonancia magnética
La resonancia magnética brinda una gran cantidad de información para identificar varios
biomarcadores de imagen, algunos de los cuales necesitan un análisis y un posprocesamiento
complejos (24).
Se distingue por el deterioro de la memoria causado por la atrofia predominante de las estructuras
mediotemporales circundantes y del hipocampo. Se utiliza la escala semicuantitativa de atrofia
mesiotemporal para clasificar la atrofia en la EA (25).
El análisis del hipocampo es un campo de interés importante porque es una de las primeras estructuras
que se ven afectadas en la enfermedad de Alzheimer. Para el diagnóstico de la EA prodrómica, como
el deterioro cognitivo leve, se han sugerido varias mediciones de imágenes por resonancia magnética
pág. 4955
ponderadas en T1 del hipocampo; por ejemplo, se ha planteado que el volumen del hipocampo puede
ser un biomarcador de lesión neuronal para determinar la EA (25).
En pacientes de menor edad, el patrón de atrofia podría ser más marcado en la zona parietal y menos
evidente en el hipocampo. Es posible que el determinar la existencia de atrofia parietal sea más
complicado debido a que existe una variabilidad interindividual del volumen del lóbulo parietal (8).
ponderadas en T1 del hipocampo; por ejemplo, se ha planteado que el volumen del hipocampo puede
ser un biomarcador de lesión neuronal para determinar la EA (25).
En pacientes de menor edad, el patrón de atrofia podría ser más marcado en la zona parietal y menos
evidente en el hipocampo. Es posible que el determinar la existencia de atrofia parietal sea más
complicado debido a que existe una variabilidad interindividual del volumen del lóbulo parietal (8).
pág. 4956
Estudio RMN
(Tesl
a)
Marcadores Número
de
participant
es
Años de
seguimie
nto
Protocol
o RMN
utilizado
Sensibilid
ad
Especifici
dad
Platero et al.,
2018 (25)
https://pmc.ncbi.nlm.nih.gov/articles/PMC6865478/
1,5 T volumen hipocampal
normalizado VNH,
rugosidad de la
superficie del hipocampo
SR y un nuevo marcador
llamado rugosidad
superficial local (LSR)
307 3 años imágene
s de MRI
ponderad
as en T1
VHN
35%
SR 32 %
LSR 70
%
VHN
46,8%
SR 54.7
%
LSR 73 %
Moscoso et al., 2019
(10)
https://www.sciencedirect.com/science/article/pii/S221315
8219301871
1.5 y
3 T
el volumen del
hipocampo, utilizando
solo el volumen de la
corteza entorinal y
utilizando los volúmenes
del hipocampo y la
corteza entorinal
(modelo de RM)
248 2 y 5 Hipocam
po:
2 años:
83
5 años:
79
Corteza
entorrinal
2 años:
77
5 años:
78
Modelo
de
resonanci
a
magnétic
Hipocamp
o:
2 años: 52
5 años: 63
Corteza
entorrinal
2 años: 50
5 años: 56
Modelo de
resonancia
magnética:
2 años: 56
5 años: 71
Estudio RMN
(Tesl
a)
Marcadores Número
de
participant
es
Años de
seguimie
nto
Protocol
o RMN
utilizado
Sensibilid
ad
Especifici
dad
Platero et al.,
2018 (25)
https://pmc.ncbi.nlm.nih.gov/articles/PMC6865478/
1,5 T volumen hipocampal
normalizado VNH,
rugosidad de la
superficie del hipocampo
SR y un nuevo marcador
llamado rugosidad
superficial local (LSR)
307 3 años imágene
s de MRI
ponderad
as en T1
VHN
35%
SR 32 %
LSR 70
%
VHN
46,8%
SR 54.7
%
LSR 73 %
Moscoso et al., 2019
(10)
https://www.sciencedirect.com/science/article/pii/S221315
8219301871
1.5 y
3 T
el volumen del
hipocampo, utilizando
solo el volumen de la
corteza entorinal y
utilizando los volúmenes
del hipocampo y la
corteza entorinal
(modelo de RM)
248 2 y 5 Hipocam
po:
2 años:
83
5 años:
79
Corteza
entorrinal
2 años:
77
5 años:
78
Modelo
de
resonanci
a
magnétic
Hipocamp
o:
2 años: 52
5 años: 63
Corteza
entorrinal
2 años: 50
5 años: 56
Modelo de
resonancia
magnética:
2 años: 56
5 años: 71
pág. 4957
a:
2 años:
86
5 años:
78
M. Bruun et al.,
2019 (24)
https://www.sciencedirect.com/science/article/pii/S221315
8219300610
1 T,
1,5 T
o 3 T
el índice anterior vs.
posterior (API), regiones
cerebrales frontal y
temporal se ven
afectadas, el índice
asimétrico (ASI)
el índice del volumen del
polo temporal izquierdo
(TPL)
1213 No
seguimie
nto
imágene
s
ponderad
as en T1
API: 59
ASI: 79
TPL: 82
API: 93
ASI: 92
TPL:
80
Orso et al., 2020 (26) 1.5 Atrofia del lóbulo
temporal medial
(LTM)23y atrofia del
lóbulo frontal basada en
la evaluación compuesta
de las regiones
orbitofrontal, cingulada
anterior y frontoinsular
113 4 años imágene
s
ponderad
as en T1
76 93
Dan Yoon et al., 2024 (1) 1. 5 y
3 T
midieron los volúmenes
de 14 estructuras
subcorticales
(tálamo bilateral ,
caudado, putamen, globo
pálido, hipocampo, amíg
dala y núcleo
206 36 meses secuenci
as
ponderad
as en T1
62 – 63 55 - 58
a:
2 años:
86
5 años:
78
M. Bruun et al.,
2019 (24)
https://www.sciencedirect.com/science/article/pii/S221315
8219300610
1 T,
1,5 T
o 3 T
el índice anterior vs.
posterior (API), regiones
cerebrales frontal y
temporal se ven
afectadas, el índice
asimétrico (ASI)
el índice del volumen del
polo temporal izquierdo
(TPL)
1213 No
seguimie
nto
imágene
s
ponderad
as en T1
API: 59
ASI: 79
TPL: 82
API: 93
ASI: 92
TPL:
80
Orso et al., 2020 (26) 1.5 Atrofia del lóbulo
temporal medial
(LTM)23y atrofia del
lóbulo frontal basada en
la evaluación compuesta
de las regiones
orbitofrontal, cingulada
anterior y frontoinsular
113 4 años imágene
s
ponderad
as en T1
76 93
Dan Yoon et al., 2024 (1) 1. 5 y
3 T
midieron los volúmenes
de 14 estructuras
subcorticales
(tálamo bilateral ,
caudado, putamen, globo
pálido, hipocampo, amíg
dala y núcleo
206 36 meses secuenci
as
ponderad
as en T1
62 – 63 55 - 58
pág. 4958
accumbens)
Guozhaodong et al., 2020 (27) 3 T morfometría basado en
vóxeles para calcular el
volumen de materia gris
(GMV)
150 1 año imágene
s
sagitales
ponderad
as en T1
BRAVO
3D
44.5 51.2
Gazi Saadman et al., 2024 (28) 1.5 y
3 T
Volumen total del
hipocampo, ml
Volumen total de materia
gris
Espesor cortical
Volumen de la lesión de
sustancia blanca
126 2 años Cuadrado
p
26
20
48
71
Miguel Quintas Neves et al., 2024 (7) 1,5 y
3 T
6 regiones: cingulada
anterior, orbitofrontal,
temporal anterior,
frontoinsular, temporal
medial y posterior.
167
retrospecti
vo
2 años T1 y T2-
FLAIR
No hubo
correlació
n
significati
va entre
el puntaje
de
Fazekas y
el grado
de
deterioro
clínico
accumbens)
Guozhaodong et al., 2020 (27) 3 T morfometría basado en
vóxeles para calcular el
volumen de materia gris
(GMV)
150 1 año imágene
s
sagitales
ponderad
as en T1
BRAVO
3D
44.5 51.2
Gazi Saadman et al., 2024 (28) 1.5 y
3 T
Volumen total del
hipocampo, ml
Volumen total de materia
gris
Espesor cortical
Volumen de la lesión de
sustancia blanca
126 2 años Cuadrado
p
26
20
48
71
Miguel Quintas Neves et al., 2024 (7) 1,5 y
3 T
6 regiones: cingulada
anterior, orbitofrontal,
temporal anterior,
frontoinsular, temporal
medial y posterior.
167
retrospecti
vo
2 años T1 y T2-
FLAIR
No hubo
correlació
n
significati
va entre
el puntaje
de
Fazekas y
el grado
de
deterioro
clínico
pág. 4959
DISCUSIÓN
La combinación de la inteligencia artificial (IA) con métodos sofisticados de neuroimagen,
especialmente en el campo de la resonancia magnética, ha anunciado progresos relevantes en cuanto a
la detección temprana y descripción de la EA y otras enfermedades neurodegenerativas (1,29).
Se piensa que empieza entre 15 y 20 años antes de la aparición de los síndromes. Los síndromes
surgen por la destrucción de las neuronas que intervienen en los procesos de pensamiento, memoria y
aprendizaje. (30) Con el paso del tiempo, los síndromes tienden a volverse más intensos y a interferir
con las actividades cotidianas, tales como planear eventos familiares, caminar y perder habilidades.
Se afirma que el deterioro cognitivo tiene demencia a causa de la enfermedad de Alzheimer en esta
fase. Las mínimas alteraciones en el cerebro avanzan desde un control normal hasta el deterioro
cognitivo leve (DCL) y, por último, llegan a la fase final de la EA (2,5).
El hipocampo, una estructura fundamental en los procesos cognitivos, sigue siendo clave para
comprender la fisiopatología de la enfermedad de Alzheimer. Este es susceptible a desarrollar ovillos
neurofibrilares y tiene una conexión cercana con el avance hacia la EA. Se sabe que el hipocampo es
variado y tiene la capacidad de dividirse en subregiones con diferentes funciones y vulnerabilidades a
las enfermedades neurodegenerativas. A pesar de que se considera que las subregiones del hipocampo
cumplen funciones distintas, todavía es difícil obtener el sustrato neuronal para las funciones
aberrantes (11,31).
A pesar de que se ha utilizado el volumen del hipocampo como un criterio para distinguir entre
demencia (EA) o predemencia sintomática y envejecimiento saludable, este no es lo suficientemente
sensible en lo que respecta al deterioro cognitivo subjetivo para diferenciar entre pacientes con DCL y
EA (25,32).
Los investigadores emplean la atrofia del cerebro, el grosor cortical, la densidad de la materia gris y el
aumento de los ventrículos (33). Por otro lado, tres tejidos esenciales en las imágenes del cerebro, a
saber: el líquido cefalorraquídeo, la materia gris y la materia blanca, son de vital importancia. En
contraste, los investigadores hallaron que la atrofia de la MG tiene una correlación más fuerte con el
deterioro cognitivo leve (2).
DISCUSIÓN
La combinación de la inteligencia artificial (IA) con métodos sofisticados de neuroimagen,
especialmente en el campo de la resonancia magnética, ha anunciado progresos relevantes en cuanto a
la detección temprana y descripción de la EA y otras enfermedades neurodegenerativas (1,29).
Se piensa que empieza entre 15 y 20 años antes de la aparición de los síndromes. Los síndromes
surgen por la destrucción de las neuronas que intervienen en los procesos de pensamiento, memoria y
aprendizaje. (30) Con el paso del tiempo, los síndromes tienden a volverse más intensos y a interferir
con las actividades cotidianas, tales como planear eventos familiares, caminar y perder habilidades.
Se afirma que el deterioro cognitivo tiene demencia a causa de la enfermedad de Alzheimer en esta
fase. Las mínimas alteraciones en el cerebro avanzan desde un control normal hasta el deterioro
cognitivo leve (DCL) y, por último, llegan a la fase final de la EA (2,5).
El hipocampo, una estructura fundamental en los procesos cognitivos, sigue siendo clave para
comprender la fisiopatología de la enfermedad de Alzheimer. Este es susceptible a desarrollar ovillos
neurofibrilares y tiene una conexión cercana con el avance hacia la EA. Se sabe que el hipocampo es
variado y tiene la capacidad de dividirse en subregiones con diferentes funciones y vulnerabilidades a
las enfermedades neurodegenerativas. A pesar de que se considera que las subregiones del hipocampo
cumplen funciones distintas, todavía es difícil obtener el sustrato neuronal para las funciones
aberrantes (11,31).
A pesar de que se ha utilizado el volumen del hipocampo como un criterio para distinguir entre
demencia (EA) o predemencia sintomática y envejecimiento saludable, este no es lo suficientemente
sensible en lo que respecta al deterioro cognitivo subjetivo para diferenciar entre pacientes con DCL y
EA (25,32).
Los investigadores emplean la atrofia del cerebro, el grosor cortical, la densidad de la materia gris y el
aumento de los ventrículos (33). Por otro lado, tres tejidos esenciales en las imágenes del cerebro, a
saber: el líquido cefalorraquídeo, la materia gris y la materia blanca, son de vital importancia. En
contraste, los investigadores hallaron que la atrofia de la MG tiene una correlación más fuerte con el
deterioro cognitivo leve (2).
pág. 4960
Los tratamientos, tanto los farmacológicos como los que no lo son, han demostrado ser eficaces en
reducir los síntomas de conducta y cognitivos en las fases iniciales de la enfermedad. Los
tratamientos mencionados han llevado a que los estudios más recientes se centren en localizar
pacientes con deterioro cognitivo que aún no tienen demencia, buscando prevenir o retrasar su avance
(3,4,34).
Numerosos estudios han evidenciado que, a medida que la enfermedad avanza, las estructuras del
lóbulo temporal medial (LTM) como el hipocampo, la amígdala y las cortezas entorinal y
parahipocampal sufren una atrofia notable. La resonancia magnética estructural tendrá un rol
relevante en el diagnóstico de la EA, así como en el seguimiento de su tratamiento (9,11).
La literatura indica de forma consistente que varias estructuras anatómicas del cerebro se ven alteradas
en distintas fases de la enfermedad, siendo el hipocampo, la corteza entorrinal y la amígdala las
primeras afectadas (9,35).
CONCLUSIONES
En casos como la EA, donde los cambios morfológicos cerebrales pueden ser graduales y sutiles, estas
herramientas de imagen mejoradas con inteligencia artificial (IA) podrían representar un avance
significativo en la neuroimagen
Un gran número de estudios ha demostrado correlaciones entre las medidas cuantitativas calculadas a
partir de imágenes de resonancia magnética cerebral con la progresión de la EA.
El desarrollo de técnicas automáticas, robustas y cuantitativas para evaluar las imágenes de RM del
cerebro es un factor importante para aumentar aún más la utilidad de la resonancia magnética en el
contexto de los trastornos neurocognitivos.
Por lo tanto, muchos investigadores desarrollaron un sistema asistido por computadora que ayuda a
diagnosticar la etapa temprana de la EA, especialmente mediante aprendizaje profundo
REFERENCIAS BIBLIOGRÁFICAS
1. Yoon D, Myong Y, Kim YG, Sim Y, Cho M, Oh BM, et al. Latent diffusion model-based
MRI superresolution enhances mild cognitive impairment prognostication and Alzheimer’s disease
classification. Neuroimage. 1 de agosto de 2024;296:120663.
Los tratamientos, tanto los farmacológicos como los que no lo son, han demostrado ser eficaces en
reducir los síntomas de conducta y cognitivos en las fases iniciales de la enfermedad. Los
tratamientos mencionados han llevado a que los estudios más recientes se centren en localizar
pacientes con deterioro cognitivo que aún no tienen demencia, buscando prevenir o retrasar su avance
(3,4,34).
Numerosos estudios han evidenciado que, a medida que la enfermedad avanza, las estructuras del
lóbulo temporal medial (LTM) como el hipocampo, la amígdala y las cortezas entorinal y
parahipocampal sufren una atrofia notable. La resonancia magnética estructural tendrá un rol
relevante en el diagnóstico de la EA, así como en el seguimiento de su tratamiento (9,11).
La literatura indica de forma consistente que varias estructuras anatómicas del cerebro se ven alteradas
en distintas fases de la enfermedad, siendo el hipocampo, la corteza entorrinal y la amígdala las
primeras afectadas (9,35).
CONCLUSIONES
En casos como la EA, donde los cambios morfológicos cerebrales pueden ser graduales y sutiles, estas
herramientas de imagen mejoradas con inteligencia artificial (IA) podrían representar un avance
significativo en la neuroimagen
Un gran número de estudios ha demostrado correlaciones entre las medidas cuantitativas calculadas a
partir de imágenes de resonancia magnética cerebral con la progresión de la EA.
El desarrollo de técnicas automáticas, robustas y cuantitativas para evaluar las imágenes de RM del
cerebro es un factor importante para aumentar aún más la utilidad de la resonancia magnética en el
contexto de los trastornos neurocognitivos.
Por lo tanto, muchos investigadores desarrollaron un sistema asistido por computadora que ayuda a
diagnosticar la etapa temprana de la EA, especialmente mediante aprendizaje profundo
REFERENCIAS BIBLIOGRÁFICAS
1. Yoon D, Myong Y, Kim YG, Sim Y, Cho M, Oh BM, et al. Latent diffusion model-based
MRI superresolution enhances mild cognitive impairment prognostication and Alzheimer’s disease
classification. Neuroimage. 1 de agosto de 2024;296:120663.
pág. 4961
2. Mehmood A, Yang S, Feng Z, Wang M, Ahmad AS, Khan R, et al. A Transfer Learning
Approach for Early Diagnosis of Alzheimer’s Disease on MRI Images. Neuroscience. 15 de abril de
2021;460:43-52.
3. Grueso S, Viejo-Sobera R. Machine learning methods for predicting progression from mild
cognitive impairment to Alzheimer’s disease dementia: a systematic review. Alz Res Therapy. 28 de
septiembre de 2021;13(1):162.
4. Haq EU, Yong Q, Yuan Z, Huarong X, Haq RU. Multimodal fusion diagnosis of the
Alzheimer’s disease via lightweight CNN-LSTM model using magnetic resonance imaging (MRI).
Biomedical Signal Processing and Control. 1 de junio de 2025;104:107545.
5. Hernandez PP. Aplicación de CNN al diagnóstico de la enfermedad del Alzhéimer a partir de
MRI.
6. Wang LX, Wang YZ, Han CG, Zhao L, He L, Li J. Revolutionizing early Alzheimer’s disease
and mild cognitive impairment diagnosis: a deep learning MRI meta-analysis. Arq Neuropsiquiatr.
agosto de 2024;82(8):1-10.
7. Quintas-Neves M, Almeida FC, Gauthreaux K, Teylan MA, Mock CN, Kukull WA, et al.
Fazekas scale magnetic resonance imaging assessment in Alzheimer’s disease and primary age-related
tauopathy. Neuroradiology. diciembre de 2024;66(12):2185-93.
8. Haller S, Jäger HR, Vernooij MW, Barkhof F. Neuroimaging in Dementia: More than Typical
Alzheimer Disease. Radiology. septiembre de 2023;308(3):e230173.
9. Ledig C, Schuh A, Guerrero R, Heckemann RA, Rueckert D. Structural brain imaging in
Alzheimer’s disease and mild cognitive impairment: biomarker analysis and shared morphometry
database. Sci Rep. 26 de julio de 2018;8(1):11258.
10. Moscoso A, Silva-Rodríguez J, Aldrey JM, Cortés J, Fernández-Ferreiro A, Gómez-Lado N,
et al. Prediction of Alzheimer’s disease dementia with MRI beyond the short-term: Implications for
the design of predictive models. NeuroImage: Clinical. 1 de enero de 2019;23:101837.
11. Matsushita S, Tatekawa H, Ueda D, Takita H, Horiuchi D, Tsukamoto T, et al. The
Association of Metabolic Brain MRI, Amyloid PET, and Clinical Factors: A Study of Alzheimer’s
2. Mehmood A, Yang S, Feng Z, Wang M, Ahmad AS, Khan R, et al. A Transfer Learning
Approach for Early Diagnosis of Alzheimer’s Disease on MRI Images. Neuroscience. 15 de abril de
2021;460:43-52.
3. Grueso S, Viejo-Sobera R. Machine learning methods for predicting progression from mild
cognitive impairment to Alzheimer’s disease dementia: a systematic review. Alz Res Therapy. 28 de
septiembre de 2021;13(1):162.
4. Haq EU, Yong Q, Yuan Z, Huarong X, Haq RU. Multimodal fusion diagnosis of the
Alzheimer’s disease via lightweight CNN-LSTM model using magnetic resonance imaging (MRI).
Biomedical Signal Processing and Control. 1 de junio de 2025;104:107545.
5. Hernandez PP. Aplicación de CNN al diagnóstico de la enfermedad del Alzhéimer a partir de
MRI.
6. Wang LX, Wang YZ, Han CG, Zhao L, He L, Li J. Revolutionizing early Alzheimer’s disease
and mild cognitive impairment diagnosis: a deep learning MRI meta-analysis. Arq Neuropsiquiatr.
agosto de 2024;82(8):1-10.
7. Quintas-Neves M, Almeida FC, Gauthreaux K, Teylan MA, Mock CN, Kukull WA, et al.
Fazekas scale magnetic resonance imaging assessment in Alzheimer’s disease and primary age-related
tauopathy. Neuroradiology. diciembre de 2024;66(12):2185-93.
8. Haller S, Jäger HR, Vernooij MW, Barkhof F. Neuroimaging in Dementia: More than Typical
Alzheimer Disease. Radiology. septiembre de 2023;308(3):e230173.
9. Ledig C, Schuh A, Guerrero R, Heckemann RA, Rueckert D. Structural brain imaging in
Alzheimer’s disease and mild cognitive impairment: biomarker analysis and shared morphometry
database. Sci Rep. 26 de julio de 2018;8(1):11258.
10. Moscoso A, Silva-Rodríguez J, Aldrey JM, Cortés J, Fernández-Ferreiro A, Gómez-Lado N,
et al. Prediction of Alzheimer’s disease dementia with MRI beyond the short-term: Implications for
the design of predictive models. NeuroImage: Clinical. 1 de enero de 2019;23:101837.
11. Matsushita S, Tatekawa H, Ueda D, Takita H, Horiuchi D, Tsukamoto T, et al. The
Association of Metabolic Brain MRI, Amyloid PET, and Clinical Factors: A Study of Alzheimer’s
pág. 4962
Disease and Normal Controls From the Open Access Series of Imaging Studies Dataset. J Magn Reson
Imaging. abril de 2024;59(4):1341-8.
12. Zhou X, Yin WW, Huang CJ, Sun SL, Li ZW, Li MX, et al. Distinctive Gait Variations and
Neuroimaging Correlates in Alzheimer’s Disease and Cerebral Small Vessel Disease. J Cachexia
Sarcopenia Muscle. diciembre de 2024;15(6):2717-28.
13. Ranjan S, Tripathi A, Shende H, Badal R, Kumar A, Yadav P, et al. Deep learning-based
classification of dementia using image representation of subcortical signals. BMC Med Inform Decis
Mak. 6 de marzo de 2025;25(1):113.
14. Ruiz Tornero AM, García Carpintero EE, Rodríguez Ortiz de Salazar B. Efectividad de la
resonancia magnética cerebral en el diagnóstico precoz y caracterización de las demencias: revisión
sistemática. Medicina Clínica. 13 de diciembre de 2024;163(11):533-48.
15. Guerci CC, Correa F. Innovaciones en Resonancia Magnética: Potencial de la Espectroscopia
Multivoxel. NeuroTarget. 5 de junio de 2024;18(1):32-6.
16. Lavoz Torres A. Neuroimaging biomarkers for early diagnosis of Alzheimer’s Disease. An
approach from neural networks. Revista chilena de radiología. septiembre de 2020;26(3):105-12.
17. Gómez-Virgilio L, Reyes-Gutiérrez GS, Silva-Lucero MDC, López-Toledo G, Cárdenas-
Aguayo MDC. Etiología, factores de riesgo, tratamientos y situación actual de la enfermedad de
Alzheimer en México. GMM. 14 de julio de 2022;158(4):8186.
18. Rueda-O. A del P, Enríquez-S. LF, Rueda-O. A del P, Enríquez-S. LF. UNA REVISIÓN DE
TÉCNICAS BÁSICAS DE NEUROIMAGEN PARA EL DIAGNÓSTICO DE ENFERMEDADES
NEURODEGENERATIVAS. Biosalud. julio de 2018;17(2):59-90.
19. Amit Agarwal VG, Pavan Brahmbhatt, Amit Desai, Prasanna Vibhute, Nelly Joseph-
Mathurin, Girish Bathla. Amyloid-related Imaging Abnormalities in Alzheimer Disease Treated with
Anti–Amyloid-β Therapy | RadioGraphics. RadioGraphics [Internet]. 31 de agosto de 2023 [citado 6
de marzo de 2025];23(9). Disponible en: https://pubs.rsna.org/doi/full/10.1148/rg.230009
20. Zhao X, Ang CKE, Acharya UR, Cheong KH. Application of Artificial Intelligence
techniques for the detection of Alzheimer’s disease using structural MRI images. Biocybernetics and
Biomedical Engineering. 1 de abril de 2021;41(2):456-73.
Disease and Normal Controls From the Open Access Series of Imaging Studies Dataset. J Magn Reson
Imaging. abril de 2024;59(4):1341-8.
12. Zhou X, Yin WW, Huang CJ, Sun SL, Li ZW, Li MX, et al. Distinctive Gait Variations and
Neuroimaging Correlates in Alzheimer’s Disease and Cerebral Small Vessel Disease. J Cachexia
Sarcopenia Muscle. diciembre de 2024;15(6):2717-28.
13. Ranjan S, Tripathi A, Shende H, Badal R, Kumar A, Yadav P, et al. Deep learning-based
classification of dementia using image representation of subcortical signals. BMC Med Inform Decis
Mak. 6 de marzo de 2025;25(1):113.
14. Ruiz Tornero AM, García Carpintero EE, Rodríguez Ortiz de Salazar B. Efectividad de la
resonancia magnética cerebral en el diagnóstico precoz y caracterización de las demencias: revisión
sistemática. Medicina Clínica. 13 de diciembre de 2024;163(11):533-48.
15. Guerci CC, Correa F. Innovaciones en Resonancia Magnética: Potencial de la Espectroscopia
Multivoxel. NeuroTarget. 5 de junio de 2024;18(1):32-6.
16. Lavoz Torres A. Neuroimaging biomarkers for early diagnosis of Alzheimer’s Disease. An
approach from neural networks. Revista chilena de radiología. septiembre de 2020;26(3):105-12.
17. Gómez-Virgilio L, Reyes-Gutiérrez GS, Silva-Lucero MDC, López-Toledo G, Cárdenas-
Aguayo MDC. Etiología, factores de riesgo, tratamientos y situación actual de la enfermedad de
Alzheimer en México. GMM. 14 de julio de 2022;158(4):8186.
18. Rueda-O. A del P, Enríquez-S. LF, Rueda-O. A del P, Enríquez-S. LF. UNA REVISIÓN DE
TÉCNICAS BÁSICAS DE NEUROIMAGEN PARA EL DIAGNÓSTICO DE ENFERMEDADES
NEURODEGENERATIVAS. Biosalud. julio de 2018;17(2):59-90.
19. Amit Agarwal VG, Pavan Brahmbhatt, Amit Desai, Prasanna Vibhute, Nelly Joseph-
Mathurin, Girish Bathla. Amyloid-related Imaging Abnormalities in Alzheimer Disease Treated with
Anti–Amyloid-β Therapy | RadioGraphics. RadioGraphics [Internet]. 31 de agosto de 2023 [citado 6
de marzo de 2025];23(9). Disponible en: https://pubs.rsna.org/doi/full/10.1148/rg.230009
20. Zhao X, Ang CKE, Acharya UR, Cheong KH. Application of Artificial Intelligence
techniques for the detection of Alzheimer’s disease using structural MRI images. Biocybernetics and
Biomedical Engineering. 1 de abril de 2021;41(2):456-73.
pág. 4963
21. Haller S, Jäger HR, Vernooij MW, Barkhof F. Neuroimaging in Dementia: More than Typical
Alzheimer Disease. Radiology. septiembre de 2023;308(3):e230173.
22. Agarwal A, Gupta V, Brahmbhatt P, Desai A, Vibhute P, Joseph-Mathurin N, et al. Amyloid-
related Imaging Abnormalities in Alzheimer Disease Treated with Anti–Amyloid-β
Therapy. RadioGraphics. septiembre de 2023;43(9):e230009.
23. Dubois B, Villain N, Frisoni GB, Rabinovici GD, Sabbagh M, Cappa S, et al. Clinical
diagnosis of Alzheimer’s disease: recommendations of the International Working Group. Lancet
Neurol. junio de 2021;20(6):484-96.
24. Bruun M, Koikkalainen J, Rhodius-Meester HFM, Baroni M, Gjerum L, van Gils M, et al.
Detecting frontotemporal dementia syndromes using MRI biomarkers. NeuroImage: Clinical. 1 de
enero de 2019;22:101711.
25. Platero C, López ME, Carmen Tobar MD, Yus M, Maestu F. Discriminating Alzheimer’s
disease progression using a new hippocampal marker from T1-weighted MRI: The local surface
roughness. Hum Brain Mapp. 1 de abril de 2019;40(5):1666-76.
26. Orso B, Mattei C, Arnaldi D, Massa F, Serafini G, Plantone D, et al. Clinical and MRI
Predictors of Conversion From Mild Behavioural Impairment to Dementia. The American Journal of
Geriatric Psychiatry. 1 de julio de 2020;28(7):755-63.
27. Dong G, Yang L, Li CSR, Wang X, Zhang Y, Du W, et al. Dynamic network connectivity
predicts subjective cognitive decline: the Sino-Longitudinal Cognitive impairment and dementia
study. Brain Imaging Behav. diciembre de 2020;14(6):2692-707.
28. By S, Kahl A, Cogswell PM. Alzheimer’s Disease Clinical Trials: What Have We Learned
From Magnetic Resonance Imaging. J Magn Reson Imaging. febrero de 2025;61(2):579-94.
29. Balasundaram A, Srinivasan S, Prasad A, Malik J, Kumar A. Hippocampus Segmentation-
Based Alzheimer’s Disease Diagnosis and Classification of MRI Images. Arab J Sci Eng. 1 de agosto
de 2023;48(8):10249-65.
30. Asaduzzaman M, Alom MdK, Karim MdE. ALZENET: Deep learning-based early prediction
of Alzheimer’s disease through magnetic resonance imaging analysis. Telematics and Informatics
Reports. 1 de marzo de 2025;17:100189.
21. Haller S, Jäger HR, Vernooij MW, Barkhof F. Neuroimaging in Dementia: More than Typical
Alzheimer Disease. Radiology. septiembre de 2023;308(3):e230173.
22. Agarwal A, Gupta V, Brahmbhatt P, Desai A, Vibhute P, Joseph-Mathurin N, et al. Amyloid-
related Imaging Abnormalities in Alzheimer Disease Treated with Anti–Amyloid-β
Therapy. RadioGraphics. septiembre de 2023;43(9):e230009.
23. Dubois B, Villain N, Frisoni GB, Rabinovici GD, Sabbagh M, Cappa S, et al. Clinical
diagnosis of Alzheimer’s disease: recommendations of the International Working Group. Lancet
Neurol. junio de 2021;20(6):484-96.
24. Bruun M, Koikkalainen J, Rhodius-Meester HFM, Baroni M, Gjerum L, van Gils M, et al.
Detecting frontotemporal dementia syndromes using MRI biomarkers. NeuroImage: Clinical. 1 de
enero de 2019;22:101711.
25. Platero C, López ME, Carmen Tobar MD, Yus M, Maestu F. Discriminating Alzheimer’s
disease progression using a new hippocampal marker from T1-weighted MRI: The local surface
roughness. Hum Brain Mapp. 1 de abril de 2019;40(5):1666-76.
26. Orso B, Mattei C, Arnaldi D, Massa F, Serafini G, Plantone D, et al. Clinical and MRI
Predictors of Conversion From Mild Behavioural Impairment to Dementia. The American Journal of
Geriatric Psychiatry. 1 de julio de 2020;28(7):755-63.
27. Dong G, Yang L, Li CSR, Wang X, Zhang Y, Du W, et al. Dynamic network connectivity
predicts subjective cognitive decline: the Sino-Longitudinal Cognitive impairment and dementia
study. Brain Imaging Behav. diciembre de 2020;14(6):2692-707.
28. By S, Kahl A, Cogswell PM. Alzheimer’s Disease Clinical Trials: What Have We Learned
From Magnetic Resonance Imaging. J Magn Reson Imaging. febrero de 2025;61(2):579-94.
29. Balasundaram A, Srinivasan S, Prasad A, Malik J, Kumar A. Hippocampus Segmentation-
Based Alzheimer’s Disease Diagnosis and Classification of MRI Images. Arab J Sci Eng. 1 de agosto
de 2023;48(8):10249-65.
30. Asaduzzaman M, Alom MdK, Karim MdE. ALZENET: Deep learning-based early prediction
of Alzheimer’s disease through magnetic resonance imaging analysis. Telematics and Informatics
Reports. 1 de marzo de 2025;17:100189.
pág. 4964
31. Patel KP, Wymer DT, Bhatia VK, Duara R, Rajadhyaksha CD. Multimodality Imaging of
Dementia: Clinical Importance and Role of Integrated Anatomic and Molecular Imaging.
RadioGraphics. enero de 2020;40(1):200-22.
32. Vasukidevi, G, Ushasukhanya, S, Mahalakshmi, P. Efficient Image Classification for
Alzheimer’s Disease Prediction Using Capsule Network - ProQuest. Annals of the Romanian Society
for Cell Biology. 2021;25(5):806-15.
33. Monge Argilés JA, Blanco Cantó MA, Leiva Salinas C, Flors L, Muñoz Ruiz C, Sánchez Payá
J, et al. Comparación de la capacidad diagnóstica precoz de los biomarcadores de la enfermedad de
Alzheimer en resonancia magnética cerebral y líquido cefalorraquídeo. Neurología. 1 de septiembre de
2014;29(7):397-401.
34. Barreto WSU, Ygnacio MAC. Sistema de Diagnóstico del Alzheimer basado en Imágenes de
Resonancia Magnética mediante el Algoritmo VGG16. Latin-American Journal of Computing.
2024;11(1):90-105.
35. Cubas Guillen JF, Chrem Méndez P, Surace E, Martin ME, Clarens F, Russo J, et al.
Argentina-Alzheimer’s Disease Neuroimaging Initiative: pioneering Alzheimer’s Research in Latin
America and its Implications for Regional Advancement. Alzheimers Dement. noviembre de
2024;20(11):8153-61.
36. Thropp P, Phillips E, Jung Y, Thomas DL, Tosun D, Alzheimer’s Disease Neuroimaging
Initiative. Arterial spin labeling perfusion MRI in the Alzheimer’s Disease Neuroimaging Initiative:
Past, present, and future. Alzheimers Dement. diciembre de 2024;20(12):8937-52.
37. Basaia S, Agosta F, Wagner L, Canu E, Magnani G, Santangelo R, et al. Automated
classification of Alzheimer’s disease and mild cognitive impairment using a single MRI and deep
neural networks. NeuroImage: Clinical. 1 de enero de 2019;21:101645.
38. Roldán Romero E, Bueno Palomino A, Bravo Rodríguez F, Cano Sánchez A. Protocolo de
empleo e interpretación de pruebas de imagen y funcionales en el diagnóstico de las demencias.
Medicine - Programa de Formación Médica Continuada Acreditado. 1 de abril de 2011;10(76):5183-8.
31. Patel KP, Wymer DT, Bhatia VK, Duara R, Rajadhyaksha CD. Multimodality Imaging of
Dementia: Clinical Importance and Role of Integrated Anatomic and Molecular Imaging.
RadioGraphics. enero de 2020;40(1):200-22.
32. Vasukidevi, G, Ushasukhanya, S, Mahalakshmi, P. Efficient Image Classification for
Alzheimer’s Disease Prediction Using Capsule Network - ProQuest. Annals of the Romanian Society
for Cell Biology. 2021;25(5):806-15.
33. Monge Argilés JA, Blanco Cantó MA, Leiva Salinas C, Flors L, Muñoz Ruiz C, Sánchez Payá
J, et al. Comparación de la capacidad diagnóstica precoz de los biomarcadores de la enfermedad de
Alzheimer en resonancia magnética cerebral y líquido cefalorraquídeo. Neurología. 1 de septiembre de
2014;29(7):397-401.
34. Barreto WSU, Ygnacio MAC. Sistema de Diagnóstico del Alzheimer basado en Imágenes de
Resonancia Magnética mediante el Algoritmo VGG16. Latin-American Journal of Computing.
2024;11(1):90-105.
35. Cubas Guillen JF, Chrem Méndez P, Surace E, Martin ME, Clarens F, Russo J, et al.
Argentina-Alzheimer’s Disease Neuroimaging Initiative: pioneering Alzheimer’s Research in Latin
America and its Implications for Regional Advancement. Alzheimers Dement. noviembre de
2024;20(11):8153-61.
36. Thropp P, Phillips E, Jung Y, Thomas DL, Tosun D, Alzheimer’s Disease Neuroimaging
Initiative. Arterial spin labeling perfusion MRI in the Alzheimer’s Disease Neuroimaging Initiative:
Past, present, and future. Alzheimers Dement. diciembre de 2024;20(12):8937-52.
37. Basaia S, Agosta F, Wagner L, Canu E, Magnani G, Santangelo R, et al. Automated
classification of Alzheimer’s disease and mild cognitive impairment using a single MRI and deep
neural networks. NeuroImage: Clinical. 1 de enero de 2019;21:101645.
38. Roldán Romero E, Bueno Palomino A, Bravo Rodríguez F, Cano Sánchez A. Protocolo de
empleo e interpretación de pruebas de imagen y funcionales en el diagnóstico de las demencias.
Medicine - Programa de Formación Médica Continuada Acreditado. 1 de abril de 2011;10(76):5183-8.
pág. 4965
39. Arrondo P, Elía-Zudaire Ó, Martí-Andrés G, Fernández-Seara MA, Riverol M. Grey matter
changes on brain MRI in subjective cognitive decline: a systematic review. Alzheimers Res Ther. 22
de julio de 2022;14(1):98.
40. González ER, Cornelio OM, García ALG, Fonseca BB. Herramientas computacionales para el
apoyo al diagnóstico de pacientes con Parkinson: una revisión sistemática. Revista Cubana de Ciencias
Informáticas. 2023;17(3):84-105.
41. Saadmaan G, Dalmasso MC, Ramirez A, Hiltunen M, Kemppainen N, Lehtisalo J, et al.
Alzheimer’s disease genetic risk score and neuroimaging in the FINGER lifestyle trial. Alzheimers
Dement. junio de 2024;20(6):4345-50.
39. Arrondo P, Elía-Zudaire Ó, Martí-Andrés G, Fernández-Seara MA, Riverol M. Grey matter
changes on brain MRI in subjective cognitive decline: a systematic review. Alzheimers Res Ther. 22
de julio de 2022;14(1):98.
40. González ER, Cornelio OM, García ALG, Fonseca BB. Herramientas computacionales para el
apoyo al diagnóstico de pacientes con Parkinson: una revisión sistemática. Revista Cubana de Ciencias
Informáticas. 2023;17(3):84-105.
41. Saadmaan G, Dalmasso MC, Ramirez A, Hiltunen M, Kemppainen N, Lehtisalo J, et al.
Alzheimer’s disease genetic risk score and neuroimaging in the FINGER lifestyle trial. Alzheimers
Dement. junio de 2024;20(6):4345-50.