USO DE INTELIGENCIA ARTIFICIAL
EN NEUROIMAGEN: REVISIÓN SISTEMÁTICA
DEL IMPACTO EN DIAGNÓSTICO TEMPRANO Y
PREDICCIÓN DE DESENLACES EN ENFERMEDADES
NEURODEGENERATIVAS
USE OF ARTIFICIAL INTELLIGENCE IN NEUROIMAGING:
A SYSTEMATIC REVISION OF EARLY DIAGNOSTIC IMPACT AND
OUTCOME PREDICTION OF NEURODEGENERATIVE DISEASES
María Fernanda Sánchez Mawcinitt
Universidad Anáhuac Oaxaca, México
Alejandro Loza Jasso
Universidad La Salle, México
Juan Diego Abreu Sosa
Universidad Anáhuac Querétaro, México
Daniela Vila Cabello
Universidad La Salle, México
Alejandro Garcia Barbosa
Universidad Westhill, México
María José Bonilla Torróntegui
Universidad Anahuac, México
Renata Sánchez Álvarez
Universidad Anahuac, México
Ixchel Lorena Guevara Galindo
Universidad Anáhuac, México
Stephanie Guadalupe Salazar Ibón
Universidad de Monterrey- UDEM, México
pág. 4105
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21532
Uso de Inteligencia Artificial en Neuroimagen: Revisión Sistemática del
Impacto en Diagnóstico Temprano y Predicción de Desenlaces en
Enfermedades Neurodegenerativas
María Fernanda Sánchez Mawcinitt1
maria.mawcinitts@anahuac.mx
https://orcid.org/0000-0002-3261-6622
Universidad Anáhuac Oaxaca
México
Alejandro Loza Jasso
Alejandro.loza@lasallistas.org.mx
https://orcid.org/0000-0003-2682-668X
Universidad La Salle
México
Juan Diego Abreu Sosa
abreusosajuandiego@gmail.com
https://orcid.org/0009-0004-4537-410X
Universidad Anáhuac Querétaro
México
Daniela Vila Cabello
d.vilac@lasallistas.org.mx
https://orcid.org/0000-0002-3717-902X
Universidad La Salle
México
Alejandro Garcia Barbosa
alex_26-12@hotmail.com
https://orcid.org/0009-0000-2102-0578
Universidad Westhill
México
María José Bonilla Torróntegui
maria.bonilla@anahuac.mx
https://orcid.org/0009-0005-4203-641X
Universidad Anahuac
México
Renata Sánchez Álvarez
renata.sanchez14@anahuac.mx
https://orcid.org/0009-0004-8815-5521
Universidad Anahuac
México
Ixchel Lorena Guevara Galindo
ixchel.lore@gmail.com
https://orcid.org/0009-0009-0452-7575
Universidad Anáhuac
México
Stephanie Guadalupe Salazar Ibón
stephanie.salazari@udem.edu
https://orcid.org/0009-0008-0937-8719
Universidad de Monterrey- UDEM
México
1 Autor principal
Correspondencia: maria.mawcinitts@anahuac.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21532
Uso de Inteligencia Artificial en Neuroimagen: Revisión Sistemática del
Impacto en Diagnóstico Temprano y Predicción de Desenlaces en
Enfermedades Neurodegenerativas
María Fernanda Sánchez Mawcinitt1
maria.mawcinitts@anahuac.mx
https://orcid.org/0000-0002-3261-6622
Universidad Anáhuac Oaxaca
México
Alejandro Loza Jasso
Alejandro.loza@lasallistas.org.mx
https://orcid.org/0000-0003-2682-668X
Universidad La Salle
México
Juan Diego Abreu Sosa
abreusosajuandiego@gmail.com
https://orcid.org/0009-0004-4537-410X
Universidad Anáhuac Querétaro
México
Daniela Vila Cabello
d.vilac@lasallistas.org.mx
https://orcid.org/0000-0002-3717-902X
Universidad La Salle
México
Alejandro Garcia Barbosa
alex_26-12@hotmail.com
https://orcid.org/0009-0000-2102-0578
Universidad Westhill
México
María José Bonilla Torróntegui
maria.bonilla@anahuac.mx
https://orcid.org/0009-0005-4203-641X
Universidad Anahuac
México
Renata Sánchez Álvarez
renata.sanchez14@anahuac.mx
https://orcid.org/0009-0004-8815-5521
Universidad Anahuac
México
Ixchel Lorena Guevara Galindo
ixchel.lore@gmail.com
https://orcid.org/0009-0009-0452-7575
Universidad Anáhuac
México
Stephanie Guadalupe Salazar Ibón
stephanie.salazari@udem.edu
https://orcid.org/0009-0008-0937-8719
Universidad de Monterrey- UDEM
México
1 Autor principal
Correspondencia: maria.mawcinitts@anahuac.mx
pág. 4106
RESUMEN
La inteligencia artificial (IA) se ha consolidado como herramienta clave para el análisis avanzado de
neuroimagen en enfermedades neurodegenerativas (END). Esta revisión sistemática reúne la evidencia
reciente (2019–2025) sobre IA aplicada a resonancia magnética (MRI), tomografía por emisión de
positrones (PET), tomografía de coherencia óptica (OCT) y electroencefalografía (EEG). Se realizó una
búsqueda en PubMed, Scopus y Web of Science bajo PRISMA 2020. Se identificaron 1,243 estudios y
62 fueron incluidos tras evaluar criterios y calidad metodológica mediante Newcastle–Ottawa Scale,
QUADAS-2 y PROBAST-AI. Los hallazgos muestran que, en Alzheimer y deterioro cognitivo leve,
los modelos de deep learning basados en MRI y PET alcanzan AUC entre 0.90–0.94, facilitando la
detección temprana y la predicción de conversión a demencia. En Parkinson, la IA logró precisiones
superiores al 80 % para diferenciar la enfermedad idiopática de parkinsonismos atípicos y permitió
identificar biomarcadores multimodales predictivos. En esclerosis múltiple, las redes neuronales
convolucionales (CNN) y el análisis retiniano mostraron alta precisión para segmentar lesiones y
estimar progresión y discapacidad. En esclerosis lateral amiotrófica, los modelos de machine learning
superaron el rendimiento de predicción clínica tradicional. Persisten desafíos importantes: tamaños
muestrales pequeños, heterogeneidad metodológica, falta de validación externa y escasa
estandarización de protocolos e indicadores. En conjunto, la IA aplicada a neuroimagen representa una
vía prometedora hacia un diagnóstico neurológico más temprano, preciso y personalizado; sin embargo,
su adopción clínica requiere validaciones multicéntricas, protocolos reproducibles y marcos éticos
robustos
Palabras clave: inteligencia artificial, neuroimagen, enfermedades neurodegenerativas, modelos
predictivos
RESUMEN
La inteligencia artificial (IA) se ha consolidado como herramienta clave para el análisis avanzado de
neuroimagen en enfermedades neurodegenerativas (END). Esta revisión sistemática reúne la evidencia
reciente (2019–2025) sobre IA aplicada a resonancia magnética (MRI), tomografía por emisión de
positrones (PET), tomografía de coherencia óptica (OCT) y electroencefalografía (EEG). Se realizó una
búsqueda en PubMed, Scopus y Web of Science bajo PRISMA 2020. Se identificaron 1,243 estudios y
62 fueron incluidos tras evaluar criterios y calidad metodológica mediante Newcastle–Ottawa Scale,
QUADAS-2 y PROBAST-AI. Los hallazgos muestran que, en Alzheimer y deterioro cognitivo leve,
los modelos de deep learning basados en MRI y PET alcanzan AUC entre 0.90–0.94, facilitando la
detección temprana y la predicción de conversión a demencia. En Parkinson, la IA logró precisiones
superiores al 80 % para diferenciar la enfermedad idiopática de parkinsonismos atípicos y permitió
identificar biomarcadores multimodales predictivos. En esclerosis múltiple, las redes neuronales
convolucionales (CNN) y el análisis retiniano mostraron alta precisión para segmentar lesiones y
estimar progresión y discapacidad. En esclerosis lateral amiotrófica, los modelos de machine learning
superaron el rendimiento de predicción clínica tradicional. Persisten desafíos importantes: tamaños
muestrales pequeños, heterogeneidad metodológica, falta de validación externa y escasa
estandarización de protocolos e indicadores. En conjunto, la IA aplicada a neuroimagen representa una
vía prometedora hacia un diagnóstico neurológico más temprano, preciso y personalizado; sin embargo,
su adopción clínica requiere validaciones multicéntricas, protocolos reproducibles y marcos éticos
robustos
Palabras clave: inteligencia artificial, neuroimagen, enfermedades neurodegenerativas, modelos
predictivos
pág. 4107
Use of Artificial Intelligence in Neuroimaging: A Systematic Revision of
Early Diagnostic Impact and Outcome Prediction of Neurodegenerative
Diseases
ABSTRACT
Artificial intelligence (AI) has become a fundamental tool for advanced neuroimaging analysis in
neurodegenerative diseases (NDD). This systematic review summarizes evidence published between
2019–2025 regarding AI applied to magnetic resonance imaging (MRI), positron emission tomography
(PET), optical coherence tomography (OCT) and electroencephalography (EEG). A PRISMA 2020–
based search in PubMed, Scopus, and Web of Science identified 1,243 records, of which 62 studies met
inclusion criteria. Risk of bias was assessed using Newcastle–Ottawa Scale, QUADAS-2, and
PROBAST-AI. Deep learning models applied to MRI and PET in Alzheimer’s disease and mild
cognitive impairment achieved AUC ranges of 0.90–0.94, supporting early diagnosis and prediction of
conversion to dementia. In Parkinson’s disease, AI models reached accuracies above 80% when
differentiating idiopathic Parkinson’s disease from atypical parkinsonian syndromes and enabled
identification of multimodal predictive biomarkers. In multiple sclerosis, convolutional neural networks
(CNN) and retinal-based imaging methods demonstrated high performance in automated lesion
segmentation and disability estimation. In amyotrophic lateral sclerosis, machine-learning approaches
outperformed traditional clinical models for functional progression prediction. Despite considerable
progress, major limitations remain, including small sample sizes, heterogeneous methodologies, and
limited external validation. Overall, AI in neuroimaging stands as a promising tool for earlier and more
precise neurological care. Nonetheless, large-scale multicenter validation, standardized protocols,
reproducibility practices, and ethical frameworks are essential for clinical integration
Keywords: artificial intelligence, neuroimaging, neurodegenerative diseases, predictive models
Artículo recibido 8 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
Use of Artificial Intelligence in Neuroimaging: A Systematic Revision of
Early Diagnostic Impact and Outcome Prediction of Neurodegenerative
Diseases
ABSTRACT
Artificial intelligence (AI) has become a fundamental tool for advanced neuroimaging analysis in
neurodegenerative diseases (NDD). This systematic review summarizes evidence published between
2019–2025 regarding AI applied to magnetic resonance imaging (MRI), positron emission tomography
(PET), optical coherence tomography (OCT) and electroencephalography (EEG). A PRISMA 2020–
based search in PubMed, Scopus, and Web of Science identified 1,243 records, of which 62 studies met
inclusion criteria. Risk of bias was assessed using Newcastle–Ottawa Scale, QUADAS-2, and
PROBAST-AI. Deep learning models applied to MRI and PET in Alzheimer’s disease and mild
cognitive impairment achieved AUC ranges of 0.90–0.94, supporting early diagnosis and prediction of
conversion to dementia. In Parkinson’s disease, AI models reached accuracies above 80% when
differentiating idiopathic Parkinson’s disease from atypical parkinsonian syndromes and enabled
identification of multimodal predictive biomarkers. In multiple sclerosis, convolutional neural networks
(CNN) and retinal-based imaging methods demonstrated high performance in automated lesion
segmentation and disability estimation. In amyotrophic lateral sclerosis, machine-learning approaches
outperformed traditional clinical models for functional progression prediction. Despite considerable
progress, major limitations remain, including small sample sizes, heterogeneous methodologies, and
limited external validation. Overall, AI in neuroimaging stands as a promising tool for earlier and more
precise neurological care. Nonetheless, large-scale multicenter validation, standardized protocols,
reproducibility practices, and ethical frameworks are essential for clinical integration
Keywords: artificial intelligence, neuroimaging, neurodegenerative diseases, predictive models
Artículo recibido 8 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
pág. 4108
INTRODUCCIÓN
Contexto y justificación
La inclusión de la inteligencia artificial (IA) en la neuroimagen se ha posicionado como un campo de
rápida evolución en la última década. Lo que busca es la optimización del abordaje y gestión de las
enfermedades neurológicas. Los avances en algoritmos de aprendizaje automático y profundo han
permitido superar limitaciones inherentes a técnicas tradicionales de imagen, mejorando la detección
temprana de alteraciones sutiles, automatizando procesos diagnósticos y la integración de datos
multimodales para la medicina personalizada (Choi & Sunwoo, 2022).
Dentro de las aplicaciones más relevantes, la enfermedad de Alzheimer ha constituido un terreno
próspero de investigación. La combinación de IA con técnicas de neuroimagen multimodales, como el
PET-MRI, ha demostrado ser crucial en la identificación precoz de biomarcadores y en la predicción
de progresión clínica tras la aprobación de nuevos trazadores como el Tauvid (Christodoulou et al.,
2025). De manera similar, en la esclerosis lateral amiotrófica (ELA), la IA se ha posicionado como una
herramienta prometedora para el descubrimiento de biomarcadores y el desarrollo de estrategias
terapéuticas más eficaces, llevando el enfoque clínico e investigativo a un nivel superior (Kitaoka et al.,
2025).
A nivel técnico, la aplicación de la IA en la resonancia magnética (RM) ha permitido optimizar la
calidad de imagen, reducir tiempos de exploración y mejorar la eficacia en la práctica radiológica (Yang
et al., 2024). Además, en el ámbito de la neuroimagen vascular, la IA ha demostrado ser un recurso con
valor creciente para el diagnóstico y pronóstico del deterioro cognitivo y demencia, con respaldo sólido
de estudios sistemáticos y metaanálisis (Lohner et al., 2025).
La carga de enfermedades neurológicas como el Alzheimer, ELA, demencias e ictus es muy elevada a
nivel mundial. Por ello, se busca optimizar tanto los tiempos de espera de pacientes, como la obtención
y valoración de resultados. En este contexto, la inteligencia artificial cobra relevancia: mediante técnicas
como compressed sensing es posible obtener imágenes más rápidas, lo que permite valorar una
patología de forma temprana y oportuna. (Monsour R., 2022)
INTRODUCCIÓN
Contexto y justificación
La inclusión de la inteligencia artificial (IA) en la neuroimagen se ha posicionado como un campo de
rápida evolución en la última década. Lo que busca es la optimización del abordaje y gestión de las
enfermedades neurológicas. Los avances en algoritmos de aprendizaje automático y profundo han
permitido superar limitaciones inherentes a técnicas tradicionales de imagen, mejorando la detección
temprana de alteraciones sutiles, automatizando procesos diagnósticos y la integración de datos
multimodales para la medicina personalizada (Choi & Sunwoo, 2022).
Dentro de las aplicaciones más relevantes, la enfermedad de Alzheimer ha constituido un terreno
próspero de investigación. La combinación de IA con técnicas de neuroimagen multimodales, como el
PET-MRI, ha demostrado ser crucial en la identificación precoz de biomarcadores y en la predicción
de progresión clínica tras la aprobación de nuevos trazadores como el Tauvid (Christodoulou et al.,
2025). De manera similar, en la esclerosis lateral amiotrófica (ELA), la IA se ha posicionado como una
herramienta prometedora para el descubrimiento de biomarcadores y el desarrollo de estrategias
terapéuticas más eficaces, llevando el enfoque clínico e investigativo a un nivel superior (Kitaoka et al.,
2025).
A nivel técnico, la aplicación de la IA en la resonancia magnética (RM) ha permitido optimizar la
calidad de imagen, reducir tiempos de exploración y mejorar la eficacia en la práctica radiológica (Yang
et al., 2024). Además, en el ámbito de la neuroimagen vascular, la IA ha demostrado ser un recurso con
valor creciente para el diagnóstico y pronóstico del deterioro cognitivo y demencia, con respaldo sólido
de estudios sistemáticos y metaanálisis (Lohner et al., 2025).
La carga de enfermedades neurológicas como el Alzheimer, ELA, demencias e ictus es muy elevada a
nivel mundial. Por ello, se busca optimizar tanto los tiempos de espera de pacientes, como la obtención
y valoración de resultados. En este contexto, la inteligencia artificial cobra relevancia: mediante técnicas
como compressed sensing es posible obtener imágenes más rápidas, lo que permite valorar una
patología de forma temprana y oportuna. (Monsour R., 2022)
pág. 4109
Sin embargo, métodos diagnósticos comunes como la interpretación de imágenes de Resonancia
Magnética, PET o fMRI suelen ser lentos. Aunado a esto, el diagnóstico depende de la experiencia del
radiólogo, lo que aumenta el riesgo de variabilidad dentro de los diagnósticos, así como retrasos,
especialmente en casos de emergencias como el ictus, donde es bien conocido que tiempo es cerebro.
Frente a esto, Lee et al. explican que dentro de un estudio reciente la IA identificó predictores claves en
clasificación de fragilidad en pacientes con VIH, la estimación de edad cerebral y la predicción de
supervivencia en glioblastoma, que incluían flujo sanguíneo en regiones específicas, grosor cortical o
conectividad funcional, hallazgos que a veces son difíciles de identificar visualmente con métodos
tradicionales. Como resultado, la IA logró niveles de precisión elevados.
El creciente número de pacientes que acuden a consulta en situaciones de emergencias o con
enfermedades que requieren diagnóstico prioritario justifica la exploración de estas tecnologías. Esta
investigación busca aportar claridad sobre la utilidad de la IA como herramienta en neuroimagen para
acelerar y hacer más eficiente el proceso diagnóstico, lo que a largo plazo puede disminuir costos
sanitarios, reducir tiempos de espera y mejorar la calidad de vida del paciente. Además, esta herramienta
no solo tiene un amplio campo de aplicación en el diagnóstico, sino también en el seguimiento de la
enfermedad. (Zhao, Z. et al., 2024)
Relevancia del uso de inteligencia artificial en neuroimagen
En los últimos años la inteligencia artificial (IA) ha ido ganando un lugar inesperadamente importante
en la medicina. No es casualidad: en resonancia magnética, por ejemplo, los modelos de deep learning
consiguen detectar cambios que resultan casi invisibles a simple vista. Este dato abre la posibilidad de
intervenir antes de que aparezcan los síntomas. Y esa diferencia de tiempo puede ser decisiva en la
efectividad de los tratamientos (Guan et al., 2024).
En el caso del Parkinson, los avances son distintos, pero igual de significativos. La IA no trabaja solo
con neuroimágenes; se ha empezado a usar también con información genómica y con registros de la
actividad motora de los pacientes. Esa mezcla de datos permite no solo reconocer la enfermedad en
etapas muy tempranas, sino incluso estimar la velocidad con la que podría progresar. Ahora bien,
todavía faltan estudios concluyentes, ya que no todo lo que funciona en laboratorio se traduce igual de
Sin embargo, métodos diagnósticos comunes como la interpretación de imágenes de Resonancia
Magnética, PET o fMRI suelen ser lentos. Aunado a esto, el diagnóstico depende de la experiencia del
radiólogo, lo que aumenta el riesgo de variabilidad dentro de los diagnósticos, así como retrasos,
especialmente en casos de emergencias como el ictus, donde es bien conocido que tiempo es cerebro.
Frente a esto, Lee et al. explican que dentro de un estudio reciente la IA identificó predictores claves en
clasificación de fragilidad en pacientes con VIH, la estimación de edad cerebral y la predicción de
supervivencia en glioblastoma, que incluían flujo sanguíneo en regiones específicas, grosor cortical o
conectividad funcional, hallazgos que a veces son difíciles de identificar visualmente con métodos
tradicionales. Como resultado, la IA logró niveles de precisión elevados.
El creciente número de pacientes que acuden a consulta en situaciones de emergencias o con
enfermedades que requieren diagnóstico prioritario justifica la exploración de estas tecnologías. Esta
investigación busca aportar claridad sobre la utilidad de la IA como herramienta en neuroimagen para
acelerar y hacer más eficiente el proceso diagnóstico, lo que a largo plazo puede disminuir costos
sanitarios, reducir tiempos de espera y mejorar la calidad de vida del paciente. Además, esta herramienta
no solo tiene un amplio campo de aplicación en el diagnóstico, sino también en el seguimiento de la
enfermedad. (Zhao, Z. et al., 2024)
Relevancia del uso de inteligencia artificial en neuroimagen
En los últimos años la inteligencia artificial (IA) ha ido ganando un lugar inesperadamente importante
en la medicina. No es casualidad: en resonancia magnética, por ejemplo, los modelos de deep learning
consiguen detectar cambios que resultan casi invisibles a simple vista. Este dato abre la posibilidad de
intervenir antes de que aparezcan los síntomas. Y esa diferencia de tiempo puede ser decisiva en la
efectividad de los tratamientos (Guan et al., 2024).
En el caso del Parkinson, los avances son distintos, pero igual de significativos. La IA no trabaja solo
con neuroimágenes; se ha empezado a usar también con información genómica y con registros de la
actividad motora de los pacientes. Esa mezcla de datos permite no solo reconocer la enfermedad en
etapas muy tempranas, sino incluso estimar la velocidad con la que podría progresar. Ahora bien,
todavía faltan estudios concluyentes, ya que no todo lo que funciona en laboratorio se traduce igual de
pág. 4110
bien en la práctica clínica. Aun así, la promesa de una medicina más personalizada se ve cada vez más
cercana (Dennis & Strafella, 2024).
La esclerosis múltiple abre otra puerta. Aquí no hablamos del cerebro directamente, sino de la retina,
que varios autores consideran una especie de “ventana” del sistema nervioso central. Analizar esas
imágenes con algoritmos de IA puede dar pistas sobre procesos neurodegenerativos de forma rápida,
no invasiva y bastante más barata que otras técnicas. Puede ser útil tanto en el diagnóstico como en el
seguimiento de la discapacidad. (Rivera-Baltanás et al., 2025).
Por último, en el Alzheimer, quizá la aplicación más llamativa es la unión entre IA y la tomografía por
emisión de positrones (PET), usando trazadores de tau (biomarcadores de proteinas anomalas). Lo
interesante aquí es que no solo se confirma un diagnóstico, sino que se puede anticipar cómo cambiará
la enfermedad en los próximos años. La cantidad y la localización de tau se convierten en una especie
de mapa pronóstico. Con ese nivel de detalle, la IA deja de ser un accesorio y pasa a ser una herramienta
real para orientar las decisiones terapéuticas y de investigación (Cho et al., 2025).
Objetivo y aportación de la revisión
Analizar y sintetizar como la inteligencia artificial (IA) en neuroimagen se sobrepone a las restricciones
de los métodos convencionales, optimizando el abordaje de enfermedades neurológicas de alta
prevalencia como demencias, ictus, esclerosis lateral amiotrófica y enfermedad de Alzheimer,
contribuyendo a una medicina más personalizada, eficiente y accesible.
Esta revisión da una perspectiva integral y actualizada con evidencia científica reciente (2019-2025)
acerca de las aplicaciones de la IA en el campo de la neuroimagen, destacando en su potencial para
mejorar el diagnóstico, pronóstico y seguimiento de las afecciones neurológicas que tienen una
prevalencia e impacto significativos, conectando los avances técnicos de la IA y una valoración crítica
sobre la viabilidad de la transición de la IA desde una perspectiva de investigación a una herramienta
implementada en la práctica clínica rutinaria. Esta revisión se destaca por identificar y discutir las
brechas específicas que se encuentran entre la implementación en la práctica clínica y los datos
experimentales. En contraste con los estudios que solo se dedican a detallar los avances tecnológicos,
este trabajo examina de forma pragmática los retos de la implementación,entre las que se encuentran la
validación clínica rigurosa, la integración técnica con la infraestructura, la manera de salvar la distancia
bien en la práctica clínica. Aun así, la promesa de una medicina más personalizada se ve cada vez más
cercana (Dennis & Strafella, 2024).
La esclerosis múltiple abre otra puerta. Aquí no hablamos del cerebro directamente, sino de la retina,
que varios autores consideran una especie de “ventana” del sistema nervioso central. Analizar esas
imágenes con algoritmos de IA puede dar pistas sobre procesos neurodegenerativos de forma rápida,
no invasiva y bastante más barata que otras técnicas. Puede ser útil tanto en el diagnóstico como en el
seguimiento de la discapacidad. (Rivera-Baltanás et al., 2025).
Por último, en el Alzheimer, quizá la aplicación más llamativa es la unión entre IA y la tomografía por
emisión de positrones (PET), usando trazadores de tau (biomarcadores de proteinas anomalas). Lo
interesante aquí es que no solo se confirma un diagnóstico, sino que se puede anticipar cómo cambiará
la enfermedad en los próximos años. La cantidad y la localización de tau se convierten en una especie
de mapa pronóstico. Con ese nivel de detalle, la IA deja de ser un accesorio y pasa a ser una herramienta
real para orientar las decisiones terapéuticas y de investigación (Cho et al., 2025).
Objetivo y aportación de la revisión
Analizar y sintetizar como la inteligencia artificial (IA) en neuroimagen se sobrepone a las restricciones
de los métodos convencionales, optimizando el abordaje de enfermedades neurológicas de alta
prevalencia como demencias, ictus, esclerosis lateral amiotrófica y enfermedad de Alzheimer,
contribuyendo a una medicina más personalizada, eficiente y accesible.
Esta revisión da una perspectiva integral y actualizada con evidencia científica reciente (2019-2025)
acerca de las aplicaciones de la IA en el campo de la neuroimagen, destacando en su potencial para
mejorar el diagnóstico, pronóstico y seguimiento de las afecciones neurológicas que tienen una
prevalencia e impacto significativos, conectando los avances técnicos de la IA y una valoración crítica
sobre la viabilidad de la transición de la IA desde una perspectiva de investigación a una herramienta
implementada en la práctica clínica rutinaria. Esta revisión se destaca por identificar y discutir las
brechas específicas que se encuentran entre la implementación en la práctica clínica y los datos
experimentales. En contraste con los estudios que solo se dedican a detallar los avances tecnológicos,
este trabajo examina de forma pragmática los retos de la implementación,entre las que se encuentran la
validación clínica rigurosa, la integración técnica con la infraestructura, la manera de salvar la distancia
pág. 4111
entre los resultados prometedores en entornos controlados y su confiable implementación en la vida
cotidiana, lo cual abarca retos de validez general, compatibilidad tecnológica y gobernanza.
METODOLOGÍA
Diseño del estudio
Se realizó una revisión sistemática conforme a las recomendaciones de la guía PRISMA 2020 (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses) con el objetivo de sintetizar la evidencia
disponible sobre la aplicación de inteligencia artificial (IA) en neuroimagen para el diagnóstico y la
predicción de desenlaces en enfermedades neurodegenerativas (END).
El protocolo se elaboró de acuerdo con las directrices del Cochrane Handbook for Systematic Reviews
of Interventions e incluyó las fases de búsqueda bibliográfica, selección de estudios, extracción de datos
y evaluación de calidad metodológica.
Fuentes de información y estrategia de búsqueda
La búsqueda sistemática se efectuó en las bases de datos electrónicas:
- PubMed (MEDLINE)
- Scopus
- Web of Science (WoS)
El periodo de búsqueda abarcó desde enero de 2019 hasta septiembre de 2025, con el fin de incluir los
avances más recientes en la aplicación de IA a la neuroimagen.
Se utilizaron combinaciones de términos MeSH y palabras clave relacionadas con inteligencia
artificial, neuroimagen y enfermedades neurodegenerativas.
Estrategia de búsqueda en PubMed (ejemplo)
("artificial intelligence"[MeSH Terms] OR "machine learning"[MeSH Terms] OR "deep learning" OR
"neural network")
AND
("neuroimaging"[MeSH Terms] OR "magnetic resonance imaging" OR "positron emission
tomography" OR "MRI" OR "PET")
AND
entre los resultados prometedores en entornos controlados y su confiable implementación en la vida
cotidiana, lo cual abarca retos de validez general, compatibilidad tecnológica y gobernanza.
METODOLOGÍA
Diseño del estudio
Se realizó una revisión sistemática conforme a las recomendaciones de la guía PRISMA 2020 (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses) con el objetivo de sintetizar la evidencia
disponible sobre la aplicación de inteligencia artificial (IA) en neuroimagen para el diagnóstico y la
predicción de desenlaces en enfermedades neurodegenerativas (END).
El protocolo se elaboró de acuerdo con las directrices del Cochrane Handbook for Systematic Reviews
of Interventions e incluyó las fases de búsqueda bibliográfica, selección de estudios, extracción de datos
y evaluación de calidad metodológica.
Fuentes de información y estrategia de búsqueda
La búsqueda sistemática se efectuó en las bases de datos electrónicas:
- PubMed (MEDLINE)
- Scopus
- Web of Science (WoS)
El periodo de búsqueda abarcó desde enero de 2019 hasta septiembre de 2025, con el fin de incluir los
avances más recientes en la aplicación de IA a la neuroimagen.
Se utilizaron combinaciones de términos MeSH y palabras clave relacionadas con inteligencia
artificial, neuroimagen y enfermedades neurodegenerativas.
Estrategia de búsqueda en PubMed (ejemplo)
("artificial intelligence"[MeSH Terms] OR "machine learning"[MeSH Terms] OR "deep learning" OR
"neural network")
AND
("neuroimaging"[MeSH Terms] OR "magnetic resonance imaging" OR "positron emission
tomography" OR "MRI" OR "PET")
AND
pág. 4112
("Alzheimer disease"[MeSH Terms] OR "Parkinson disease"[MeSH Terms] OR "multiple
sclerosis"[MeSH Terms] OR "amyotrophic lateral sclerosis"[MeSH Terms] OR "neurodegenerative
diseases")
AND
("diagnosis" OR "prognosis" OR "prediction" OR "outcome")
Filters: Publication date from 2019/01/01 to 2025/09/30; Humans; English.
La búsqueda se complementó mediante revisión manual de las listas de referencias de los artículos
seleccionados y de revisiones previas relevantes [1–4].
Criterios de inclusión
1. Estudios originales (observacionales, ensayos clínicos o diagnósticos) que aplicaran técnicas de IA
o aprendizaje automático a imágenes neuroanatómicas o funcionales (MRI, PET, SPECT, fMRI,
OCT, EEG).
2. Investigaciones enfocadas en Alzheimer, Parkinson, esclerosis múltiple, esclerosis lateral
amiotrófica y otras END.
3. Artículos en inglés o español con resultados cuantitativos de rendimiento diagnóstico o predictivo.
4. Estudios realizados en humanos adultos.
Criterios de exclusión
1. Estudios preclínicos o en modelos animales.
2. Revisiones narrativas, editoriales o protocolos sin resultados.
3. Trabajos sin descripción metodológica del algoritmo o sin métricas de desempeño.
4. Duplicación de cohortes o ausencia de datos accesibles.
Proceso de selección de estudios
El proceso de cribado se desarrolló en dos fases independientes por dos revisores (A y B):
1. Revisión de títulos y resúmenes para eliminar artículos irrelevantes.
2. Evaluación a texto completo de los artículos potencialmente elegibles.
Las discrepancias se resolvieron mediante consenso o con la intervención de un tercer revisor (C).
("Alzheimer disease"[MeSH Terms] OR "Parkinson disease"[MeSH Terms] OR "multiple
sclerosis"[MeSH Terms] OR "amyotrophic lateral sclerosis"[MeSH Terms] OR "neurodegenerative
diseases")
AND
("diagnosis" OR "prognosis" OR "prediction" OR "outcome")
Filters: Publication date from 2019/01/01 to 2025/09/30; Humans; English.
La búsqueda se complementó mediante revisión manual de las listas de referencias de los artículos
seleccionados y de revisiones previas relevantes [1–4].
Criterios de inclusión
1. Estudios originales (observacionales, ensayos clínicos o diagnósticos) que aplicaran técnicas de IA
o aprendizaje automático a imágenes neuroanatómicas o funcionales (MRI, PET, SPECT, fMRI,
OCT, EEG).
2. Investigaciones enfocadas en Alzheimer, Parkinson, esclerosis múltiple, esclerosis lateral
amiotrófica y otras END.
3. Artículos en inglés o español con resultados cuantitativos de rendimiento diagnóstico o predictivo.
4. Estudios realizados en humanos adultos.
Criterios de exclusión
1. Estudios preclínicos o en modelos animales.
2. Revisiones narrativas, editoriales o protocolos sin resultados.
3. Trabajos sin descripción metodológica del algoritmo o sin métricas de desempeño.
4. Duplicación de cohortes o ausencia de datos accesibles.
Proceso de selección de estudios
El proceso de cribado se desarrolló en dos fases independientes por dos revisores (A y B):
1. Revisión de títulos y resúmenes para eliminar artículos irrelevantes.
2. Evaluación a texto completo de los artículos potencialmente elegibles.
Las discrepancias se resolvieron mediante consenso o con la intervención de un tercer revisor (C).
pág. 4113
Durante la búsqueda se identificaron 1 243 registros; tras eliminar 256 duplicados, se examinaron 987
títulos y resúmenes. De ellos, 182 artículos se evaluaron a texto completo y 62 estudios cumplieron los
criterios de inclusión.
El proceso completo de identificación, cribado, elegibilidad e inclusión de estudios se muestra en la
Figura 1 (Diagrama PRISMA 2020).
Extracción de datos
Los datos se recopilaron en una hoja de extracción estandarizada que incluyó:
- Autor, año y país del estudio
- Tipo de enfermedad neurodegenerativa
- Modalidad de neuroimagen (MRI, PET, OCT, EEG, etc.)
- Tipo de IA utilizado (machine learning, deep learning, radiomics, CNN, transfer learning*)
- Métricas de rendimiento (AUC, sensibilidad, especificidad, precisión)
- Validación interna o externa del modelo
- Dos revisores verificaron la exactitud y consistencia de la información.
Evaluación de calidad y riesgo de sesgo
El riesgo de sesgo se evaluó empleando instrumentos validados según el tipo de estudio:
Newcastle–Ottawa Scale (NOS) para estudios observacionales.
QUADAS-2 y PROBAST-AI para estudios diagnósticos y predictivos basados en IA.
Cada estudio se clasificó como de bajo, moderado o alto riesgo de sesgo, y los resultados se resumieron
en tablas comparativas [1, 12, 13].
Síntesis de resultados
Debido a la heterogeneidad de algoritmos, métricas y poblaciones, no se realizó un meta-análisis
cuantitativo.
Los hallazgos se presentan como síntesis narrativa estructurada, categorizada por enfermedad y tipo de
modalidad de neuroimagen (Alzheimer/DCL, Parkinson, EM, ELA y otras aplicaciones).
Durante la búsqueda se identificaron 1 243 registros; tras eliminar 256 duplicados, se examinaron 987
títulos y resúmenes. De ellos, 182 artículos se evaluaron a texto completo y 62 estudios cumplieron los
criterios de inclusión.
El proceso completo de identificación, cribado, elegibilidad e inclusión de estudios se muestra en la
Figura 1 (Diagrama PRISMA 2020).
Extracción de datos
Los datos se recopilaron en una hoja de extracción estandarizada que incluyó:
- Autor, año y país del estudio
- Tipo de enfermedad neurodegenerativa
- Modalidad de neuroimagen (MRI, PET, OCT, EEG, etc.)
- Tipo de IA utilizado (machine learning, deep learning, radiomics, CNN, transfer learning*)
- Métricas de rendimiento (AUC, sensibilidad, especificidad, precisión)
- Validación interna o externa del modelo
- Dos revisores verificaron la exactitud y consistencia de la información.
Evaluación de calidad y riesgo de sesgo
El riesgo de sesgo se evaluó empleando instrumentos validados según el tipo de estudio:
Newcastle–Ottawa Scale (NOS) para estudios observacionales.
QUADAS-2 y PROBAST-AI para estudios diagnósticos y predictivos basados en IA.
Cada estudio se clasificó como de bajo, moderado o alto riesgo de sesgo, y los resultados se resumieron
en tablas comparativas [1, 12, 13].
Síntesis de resultados
Debido a la heterogeneidad de algoritmos, métricas y poblaciones, no se realizó un meta-análisis
cuantitativo.
Los hallazgos se presentan como síntesis narrativa estructurada, categorizada por enfermedad y tipo de
modalidad de neuroimagen (Alzheimer/DCL, Parkinson, EM, ELA y otras aplicaciones).
pág. 4114
Figura 1. Diagrama PRISMA 2020
Leyenda: Diagrama de flujo PRISMA 2020 que describe el proceso de identificación, cribado, elegibilidad e inclusión de
estudios en la revisión sistemática sobre inteligencia artificial en neuroimagen y enfermedades neurodegenerativas. Se
muestran los registros identificados en bases de datos electrónicas (PubMed, Scopus, Web of Science), los duplicados
eliminados, los estudios excluidos con sus respectivas razones y los 62 estudios finalmente incluidos en la síntesis cualitativa.
RESULTADOS
Estudios identificados. La búsqueda sistemática permitió recuperar un total de 1,243 registros, de los
cuales, tras la eliminación de duplicados y aplicación de los criterios de inclusión y exclusión, se
incluyeron 62 estudios publicados entre 2019 y 2025. Estos abarcaron diversas aplicaciones de
Figura 1. Diagrama PRISMA 2020
Leyenda: Diagrama de flujo PRISMA 2020 que describe el proceso de identificación, cribado, elegibilidad e inclusión de
estudios en la revisión sistemática sobre inteligencia artificial en neuroimagen y enfermedades neurodegenerativas. Se
muestran los registros identificados en bases de datos electrónicas (PubMed, Scopus, Web of Science), los duplicados
eliminados, los estudios excluidos con sus respectivas razones y los 62 estudios finalmente incluidos en la síntesis cualitativa.
RESULTADOS
Estudios identificados. La búsqueda sistemática permitió recuperar un total de 1,243 registros, de los
cuales, tras la eliminación de duplicados y aplicación de los criterios de inclusión y exclusión, se
incluyeron 62 estudios publicados entre 2019 y 2025. Estos abarcaron diversas aplicaciones de
pág. 4115
inteligencia artificial (IA) en neuroimagen para el diagnóstico y la predicción de desenlaces en
enfermedades neurodegenerativas.
Alzheimer y deterioro cognitivo leve
La mayoría de los estudios se centraron en la enfermedad de Alzheimer (EA) y el deterioro cognitivo
leve (DCL). Se observó un uso predominante de resonancia magnética (MRI) estructural y tomografía
por emisión de positrones (PET) combinadas con algoritmos de deep learning, logrando precisiones
superiores al 85% en la predicción de conversión de DCL a EA.
Guan et al. (2024) reportaron, en un meta-análisis de MRI con deep learning, mejoras significativas en
la detección temprana de EA y DCL, con AUC cercanas a 0.92 [2].
Cho et al. (2025) demostraron que la PET de tau, analizada mediante IA, posee un valor pronóstico
robusto en DCL, identificando sujetos con mayor riesgo de progresión a demencia [5].
Aghajanian et al. (2025) aplicaron radiomics y aprendizaje profundo en MRI longitudinal, mostrando
capacidad para predecir progresión clínica en EA con métricas consistentes de sensibilidad y
especificidad [10].
Estudios más recientes incorporaron estrategias multimodales (MRI + PET + datos clínicos),
aumentando la generalización y precisión de los modelos [1,2,8].
Parkinson y trastornos del movimiento
En el caso del Parkinson y otros trastornos del movimiento, los modelos de IA aplicados a MRI y
biomarcadores funcionales mostraron resultados promisorios. Dennis y Strafella (2024) evidenciaron
que algoritmos de machine learning pueden identificar biomarcadores tempranos de progresión y
diferenciar Parkinson de parkinsonismos atípicos con exactitudes superiores al 80% [3].
Dentamaro et al. (2024), empleando aprendizaje multimodal y modelos explicables (explainable AI),
mejoraron la detección temprana de Parkinson utilizando la base PPMI, con desempeños validados en
cohortes externas [6].
Esclerosis múltiple
En esclerosis múltiple (EM), la integración de IA con neuroimagen mostró avances en la predicción
de progresión de discapacidad y detección de lesiones.
inteligencia artificial (IA) en neuroimagen para el diagnóstico y la predicción de desenlaces en
enfermedades neurodegenerativas.
Alzheimer y deterioro cognitivo leve
La mayoría de los estudios se centraron en la enfermedad de Alzheimer (EA) y el deterioro cognitivo
leve (DCL). Se observó un uso predominante de resonancia magnética (MRI) estructural y tomografía
por emisión de positrones (PET) combinadas con algoritmos de deep learning, logrando precisiones
superiores al 85% en la predicción de conversión de DCL a EA.
Guan et al. (2024) reportaron, en un meta-análisis de MRI con deep learning, mejoras significativas en
la detección temprana de EA y DCL, con AUC cercanas a 0.92 [2].
Cho et al. (2025) demostraron que la PET de tau, analizada mediante IA, posee un valor pronóstico
robusto en DCL, identificando sujetos con mayor riesgo de progresión a demencia [5].
Aghajanian et al. (2025) aplicaron radiomics y aprendizaje profundo en MRI longitudinal, mostrando
capacidad para predecir progresión clínica en EA con métricas consistentes de sensibilidad y
especificidad [10].
Estudios más recientes incorporaron estrategias multimodales (MRI + PET + datos clínicos),
aumentando la generalización y precisión de los modelos [1,2,8].
Parkinson y trastornos del movimiento
En el caso del Parkinson y otros trastornos del movimiento, los modelos de IA aplicados a MRI y
biomarcadores funcionales mostraron resultados promisorios. Dennis y Strafella (2024) evidenciaron
que algoritmos de machine learning pueden identificar biomarcadores tempranos de progresión y
diferenciar Parkinson de parkinsonismos atípicos con exactitudes superiores al 80% [3].
Dentamaro et al. (2024), empleando aprendizaje multimodal y modelos explicables (explainable AI),
mejoraron la detección temprana de Parkinson utilizando la base PPMI, con desempeños validados en
cohortes externas [6].
Esclerosis múltiple
En esclerosis múltiple (EM), la integración de IA con neuroimagen mostró avances en la predicción
de progresión de discapacidad y detección de lesiones.
pág. 4116
Rivera-Baltanás et al. (2025) documentaron la utilidad de la imagen retiniana analizada con IA para
predecir deterioro clínico en EM [4].
Al-Louzi et al. (2025) desarrollaron una red neuronal convolucional para la segmentación automática
de lesiones cerebrales, con resultados comparables a la evaluación de expertos [23].
Esclerosis lateral amiotrófica (ELA)
Aunque menos frecuente, algunos estudios aplicaron IA en neuroimagen y biomarcadores de esclerosis
lateral amiotrófica (ELA).
Din Abdul Jabbar et al. (2024) demostraron que algoritmos de machine learning predicen la progresión
clínica en ELA con un desempeño superior a los modelos tradicionales [19].
Kitaoka et al. (2025) destacaron el rol de la IA en la identificación de biomarcadores para el diseño de
estrategias terapéuticas personalizadas [15].
Otras aplicaciones en neuroimagen
Además de las END clásicas, se identificaron estudios que ampliaron el uso de IA en:
- Neurooncología, donde modelos predictivos aplicados a tumores cerebrales mostraron utilidad en
la predicción de supervivencia y respuesta terapéutica [11,12].
- Accidente cerebrovascular, con algoritmos aplicados a neuroimagen de pacientes con ictus
isquémico y en fase de rehabilitación, que facilitaron la estratificación del pronóstico funcional
[13,14].
Tabla 1. Aplicaciones de IA en neuroimagen por enfermedad neurodegenerativa
Enfermedad Modalidad de
neuroimagen
Tipo de
IA/algoritmo
Hallazgos principales
Alzheimer y DCL MRI, PET Deep learning,
radiomics
Predicción de conversión de DCL a EA
(AUC >0.90). Valor pronóstico robusto
con PET de tau.
Parkinson MRI, biomarcadores
funcionales
Machine learning,
multimodal
explainable AI
Detección temprana, diferenciación con
parkinsonismos atípicos (>80%
exactitud).
Esclerosis
múltiple
MRI, imagen retiniana Redes neuronales
convolucionales
Segmentación automática de lesiones,
predicción de discapacidad y progresión.
ELA Neuroimagen +
biomarcadores
Machine learning Predicción de progresión clínica superior
a modelos tradicionales. Identificación de
biomarcadores.
Rivera-Baltanás et al. (2025) documentaron la utilidad de la imagen retiniana analizada con IA para
predecir deterioro clínico en EM [4].
Al-Louzi et al. (2025) desarrollaron una red neuronal convolucional para la segmentación automática
de lesiones cerebrales, con resultados comparables a la evaluación de expertos [23].
Esclerosis lateral amiotrófica (ELA)
Aunque menos frecuente, algunos estudios aplicaron IA en neuroimagen y biomarcadores de esclerosis
lateral amiotrófica (ELA).
Din Abdul Jabbar et al. (2024) demostraron que algoritmos de machine learning predicen la progresión
clínica en ELA con un desempeño superior a los modelos tradicionales [19].
Kitaoka et al. (2025) destacaron el rol de la IA en la identificación de biomarcadores para el diseño de
estrategias terapéuticas personalizadas [15].
Otras aplicaciones en neuroimagen
Además de las END clásicas, se identificaron estudios que ampliaron el uso de IA en:
- Neurooncología, donde modelos predictivos aplicados a tumores cerebrales mostraron utilidad en
la predicción de supervivencia y respuesta terapéutica [11,12].
- Accidente cerebrovascular, con algoritmos aplicados a neuroimagen de pacientes con ictus
isquémico y en fase de rehabilitación, que facilitaron la estratificación del pronóstico funcional
[13,14].
Tabla 1. Aplicaciones de IA en neuroimagen por enfermedad neurodegenerativa
Enfermedad Modalidad de
neuroimagen
Tipo de
IA/algoritmo
Hallazgos principales
Alzheimer y DCL MRI, PET Deep learning,
radiomics
Predicción de conversión de DCL a EA
(AUC >0.90). Valor pronóstico robusto
con PET de tau.
Parkinson MRI, biomarcadores
funcionales
Machine learning,
multimodal
explainable AI
Detección temprana, diferenciación con
parkinsonismos atípicos (>80%
exactitud).
Esclerosis
múltiple
MRI, imagen retiniana Redes neuronales
convolucionales
Segmentación automática de lesiones,
predicción de discapacidad y progresión.
ELA Neuroimagen +
biomarcadores
Machine learning Predicción de progresión clínica superior
a modelos tradicionales. Identificación de
biomarcadores.
pág. 4117
Tabla 2. Principales estudios incluidos y hallazgos
Autor/Año Población/
Enfermedad
Técnica de IA
aplicada
Hallazgos principales
Guan et al., 2024 Alzheimer/DCL Deep learning en
MRI
Mejora en detección temprana, AUC
~0.92.
Cho et al., 2025 DCL IA en PET de tau Valor pronóstico robusto para
progresión a demencia.
Dennis & Strafella,
2024
Parkinson Machine learning
en MRI
Identificación de biomarcadores de
progresión, precisión >80%.
Rivera-Baltanás et
al., 2025
Esclerosis múltiple IA en imagen
retiniana
Predicción de discapacidad y
progresión.
Din Abdul Jabbar et
al., 2024
ELA Machine learning Predicción de progresión clínica
superior a modelos estándar.
DISCUSIÓN
Análisis general de la evidencia
Los hallazgos de esta revisión sistemática evidencian una amplia expansión del uso de la inteligencia
artificial (IA) en neuroimagen aplicada a enfermedades neurodegenerativas (END), con resultados que
reflejan una mejora sustancial en la capacidad diagnóstica y predictiva frente a los métodos clínicos
convencionales.
En la enfermedad de Alzheimer (EA) y el deterioro cognitivo leve (DCL), la IA ha demostrado utilidad
notable para la detección temprana y la predicción de progresión, mediante la integración de
modalidades de imagen estructural (MRI), funcional (PET) y análisis multimodal [1–3].
Guan et al. reportaron que los modelos de deep learning aplicados a MRI alcanzan valores de AUC
cercanos a 0.92 en la predicción de conversión de DCL a EA [2], mientras que Cho et al. demostraron
que la PET de tau procesada mediante IA predice con alta precisión la transición hacia demencia clínica
[5].
En promedio, los modelos basados en aprendizaje profundo mostraron incrementos del 10–15% en
precisión diagnóstica respecto a enfoques radiológicos convencionales, especialmente cuando se
combinaron imágenes estructurales y metabólicas [1–3,5].
Tabla 2. Principales estudios incluidos y hallazgos
Autor/Año Población/
Enfermedad
Técnica de IA
aplicada
Hallazgos principales
Guan et al., 2024 Alzheimer/DCL Deep learning en
MRI
Mejora en detección temprana, AUC
~0.92.
Cho et al., 2025 DCL IA en PET de tau Valor pronóstico robusto para
progresión a demencia.
Dennis & Strafella,
2024
Parkinson Machine learning
en MRI
Identificación de biomarcadores de
progresión, precisión >80%.
Rivera-Baltanás et
al., 2025
Esclerosis múltiple IA en imagen
retiniana
Predicción de discapacidad y
progresión.
Din Abdul Jabbar et
al., 2024
ELA Machine learning Predicción de progresión clínica
superior a modelos estándar.
DISCUSIÓN
Análisis general de la evidencia
Los hallazgos de esta revisión sistemática evidencian una amplia expansión del uso de la inteligencia
artificial (IA) en neuroimagen aplicada a enfermedades neurodegenerativas (END), con resultados que
reflejan una mejora sustancial en la capacidad diagnóstica y predictiva frente a los métodos clínicos
convencionales.
En la enfermedad de Alzheimer (EA) y el deterioro cognitivo leve (DCL), la IA ha demostrado utilidad
notable para la detección temprana y la predicción de progresión, mediante la integración de
modalidades de imagen estructural (MRI), funcional (PET) y análisis multimodal [1–3].
Guan et al. reportaron que los modelos de deep learning aplicados a MRI alcanzan valores de AUC
cercanos a 0.92 en la predicción de conversión de DCL a EA [2], mientras que Cho et al. demostraron
que la PET de tau procesada mediante IA predice con alta precisión la transición hacia demencia clínica
[5].
En promedio, los modelos basados en aprendizaje profundo mostraron incrementos del 10–15% en
precisión diagnóstica respecto a enfoques radiológicos convencionales, especialmente cuando se
combinaron imágenes estructurales y metabólicas [1–3,5].
pág. 4118
Figura 2. Aplicaciones de la inteligencia artificial en neuroimagen: relación entre modalidades de
imagen, tipo de algoritmo y enfermedad neurodegenerativa.
En la enfermedad de Parkinson, los algoritmos de machine learning y deep learning han permitido
diferenciar entre Parkinson idiopático y parkinsonismos atípicos con una precisión superior al 80%,
además de modelar la progresión motora y cognitiva [3,6,7]. Dennis y Strafella confirmaron la
capacidad de la IA para identificar biomarcadores multimodales relevantes [3], y Dentamaro et al.
destacaron que los modelos explicables (explainable AI) mejoran la interpretabilidad y reducen sesgos
clínicos al integrar variables neurofisiológicas y de imagen [6].
En esclerosis múltiple (EM), la IA ha sido determinante para la segmentación automática de lesiones
cerebrales y retinianas, así como para la predicción de deterioro funcional.
Rivera-Baltanás et al. demostraron que los algoritmos aplicados a imagen retiniana permiten estimar la
discapacidad neurológica con precisión comparable a las escalas clínicas convencionales [4].
Dereskewicz et al. desarrollaron redes neuronales convolucionales para la detección automatizada de
lesiones en MRI, marcando un avance hacia la monitorización longitudinal y el seguimiento de
respuesta terapéutica [23].
Por último, en esclerosis lateral amiotrófica (ELA) y enfermedades menos prevalentes, los modelos de
machine learning mostraron capacidad predictiva superior a las aproximaciones tradicionales. Din
Abdul Jabbar et al. reportaron modelos capaces de predecir la progresión clínica individual [19],
Figura 2. Aplicaciones de la inteligencia artificial en neuroimagen: relación entre modalidades de
imagen, tipo de algoritmo y enfermedad neurodegenerativa.
En la enfermedad de Parkinson, los algoritmos de machine learning y deep learning han permitido
diferenciar entre Parkinson idiopático y parkinsonismos atípicos con una precisión superior al 80%,
además de modelar la progresión motora y cognitiva [3,6,7]. Dennis y Strafella confirmaron la
capacidad de la IA para identificar biomarcadores multimodales relevantes [3], y Dentamaro et al.
destacaron que los modelos explicables (explainable AI) mejoran la interpretabilidad y reducen sesgos
clínicos al integrar variables neurofisiológicas y de imagen [6].
En esclerosis múltiple (EM), la IA ha sido determinante para la segmentación automática de lesiones
cerebrales y retinianas, así como para la predicción de deterioro funcional.
Rivera-Baltanás et al. demostraron que los algoritmos aplicados a imagen retiniana permiten estimar la
discapacidad neurológica con precisión comparable a las escalas clínicas convencionales [4].
Dereskewicz et al. desarrollaron redes neuronales convolucionales para la detección automatizada de
lesiones en MRI, marcando un avance hacia la monitorización longitudinal y el seguimiento de
respuesta terapéutica [23].
Por último, en esclerosis lateral amiotrófica (ELA) y enfermedades menos prevalentes, los modelos de
machine learning mostraron capacidad predictiva superior a las aproximaciones tradicionales. Din
Abdul Jabbar et al. reportaron modelos capaces de predecir la progresión clínica individual [19],
pág. 4119
mientras que Kitaoka et al. destacaron el potencial de la IA para identificar biomarcadores terapéuticos
y optimizar la estratificación de pacientes [16].
Estos hallazgos responden al objetivo central de la presente revisión: sintetizar la evidencia disponible
sobre el impacto diagnóstico y predictivo de la IA en neuroimagen aplicada a END y valorar su madurez
para la traslación clínica.
Fortalezas de la evidencia
Una fortaleza consistente en la literatura es la capacidad integradora de la IA, que permite combinar
MRI, PET, EEG y datos clínicos para construir modelos multimodales con mejor sensibilidad
diagnóstica. Este enfoque, particularmente efectivo en Alzheimer y EM, ofrece una visión más completa
del proceso neurodegenerativo [1,2,4,8].
Otra fortaleza clave es la evolución hacia modelos explicables (XAI), que facilitan la interpretación
clínica de los resultados algorítmicos y fomentan la confianza médica. Estas herramientas no
reemplazan al especialista, sino que actúan como apoyo en la toma de decisiones, optimizando la
precisión diagnóstica y reduciendo el sesgo subjetivo [7,9].
Además, los estudios recientes incorporan validaciones cruzadas y técnicas de transfer learning,
aumentando la generalización de los modelos en cohortes externas [2,10]. Esto representa un avance
hacia la robustez y reproducibilidad, aspectos fundamentales para su aceptación en entornos
hospitalarios.
Limitaciones metodológicas
A pesar de los avances, la revisión identifica limitaciones metodológicas persistentes que restringen la
aplicabilidad clínica:
1. Tamaño muestral reducido: más del 60% de los estudios analizados incluyeron menos de 200
participantes, lo que limita la potencia estadística y la generalización [1,2,6].
2. Falta de validación externa: menos del 30% de los modelos fueron validados en cohortes
independientes, aumentando el riesgo de sobreajuste (overfitting) [1,9].
3. Heterogeneidad técnica: existen amplias diferencias en protocolos de adquisición (MRI 1.5T vs
3T), segmentación y normalización de imágenes, lo que obstaculiza la comparación
interinstitucional [10,11].
mientras que Kitaoka et al. destacaron el potencial de la IA para identificar biomarcadores terapéuticos
y optimizar la estratificación de pacientes [16].
Estos hallazgos responden al objetivo central de la presente revisión: sintetizar la evidencia disponible
sobre el impacto diagnóstico y predictivo de la IA en neuroimagen aplicada a END y valorar su madurez
para la traslación clínica.
Fortalezas de la evidencia
Una fortaleza consistente en la literatura es la capacidad integradora de la IA, que permite combinar
MRI, PET, EEG y datos clínicos para construir modelos multimodales con mejor sensibilidad
diagnóstica. Este enfoque, particularmente efectivo en Alzheimer y EM, ofrece una visión más completa
del proceso neurodegenerativo [1,2,4,8].
Otra fortaleza clave es la evolución hacia modelos explicables (XAI), que facilitan la interpretación
clínica de los resultados algorítmicos y fomentan la confianza médica. Estas herramientas no
reemplazan al especialista, sino que actúan como apoyo en la toma de decisiones, optimizando la
precisión diagnóstica y reduciendo el sesgo subjetivo [7,9].
Además, los estudios recientes incorporan validaciones cruzadas y técnicas de transfer learning,
aumentando la generalización de los modelos en cohortes externas [2,10]. Esto representa un avance
hacia la robustez y reproducibilidad, aspectos fundamentales para su aceptación en entornos
hospitalarios.
Limitaciones metodológicas
A pesar de los avances, la revisión identifica limitaciones metodológicas persistentes que restringen la
aplicabilidad clínica:
1. Tamaño muestral reducido: más del 60% de los estudios analizados incluyeron menos de 200
participantes, lo que limita la potencia estadística y la generalización [1,2,6].
2. Falta de validación externa: menos del 30% de los modelos fueron validados en cohortes
independientes, aumentando el riesgo de sobreajuste (overfitting) [1,9].
3. Heterogeneidad técnica: existen amplias diferencias en protocolos de adquisición (MRI 1.5T vs
3T), segmentación y normalización de imágenes, lo que obstaculiza la comparación
interinstitucional [10,11].
pág. 4120
4. Ausencia de estandarización metodológica: pocos estudios reportan adherencia a guías como
CLAIM, TRIPOD+AI o PROBAST-AI, reduciendo la transparencia y reproducibilidad [12].
Escasa interpretabilidad: los modelos de deep learning funcionan mayormente como “cajas
negras”, dificultando su validación clínica [7,8].
Asimismo, la mayoría de los datos provienen de poblaciones de países desarrollados, lo que limita la
equidad y representatividad étnica y geográfica. Esto subraya la necesidad de datasets multicéntricos,
diversos y éticamente gestionados que garanticen justicia algorítmica y eviten sesgos de entrenamiento
[13,14].
Implicaciones clínicas y científicas
Los resultados de esta revisión sugieren que la IA en neuroimagen tiene potencial para transformar la
práctica neurológica, especialmente en el diagnóstico precoz de Alzheimer y en la predicción de
progresión en EM y Parkinson. La integración de algoritmos predictivos podría optimizar la
planificación terapéutica, reducir la variabilidad diagnóstica y contribuir a la medicina personalizada
[2,3,5,7].
Sin embargo, la implementación clínica efectiva requerirá garantizar la validez externa, la
explicabilidad y la integración fluida en los flujos clínicos. La IA debe entenderse como un instrumento
complementario dentro del juicio médico, capaz de mejorar la precisión sin sustituir la interpretación
humana [8,10].
A nivel científico, la IA está propiciando un cambio de paradigma desde el diagnóstico descriptivo
hacia la predicción probabilística basada en patrones cuantitativos, fortaleciendo el vínculo entre
neuroimagen, genética y datos longitudinales [1,9]. Esta evolución demanda la creación de consorcios
internacionales de datos estandarizados, el desarrollo de plataformas de federated learning que protejan
la privacidad, y la evaluación continua de la ética y seguridad de los algoritmos [13,15].
Perspectivas futuras
Se delinean tres ejes estratégicos para el desarrollo futuro del campo:
1. Estandarización metodológica: adopción sistemática de guías internacionales (PRISMA-AI,
TRIPOD+AI, CLAIM) para transparentar la construcción, validación y reporte de modelos [12].
4. Ausencia de estandarización metodológica: pocos estudios reportan adherencia a guías como
CLAIM, TRIPOD+AI o PROBAST-AI, reduciendo la transparencia y reproducibilidad [12].
Escasa interpretabilidad: los modelos de deep learning funcionan mayormente como “cajas
negras”, dificultando su validación clínica [7,8].
Asimismo, la mayoría de los datos provienen de poblaciones de países desarrollados, lo que limita la
equidad y representatividad étnica y geográfica. Esto subraya la necesidad de datasets multicéntricos,
diversos y éticamente gestionados que garanticen justicia algorítmica y eviten sesgos de entrenamiento
[13,14].
Implicaciones clínicas y científicas
Los resultados de esta revisión sugieren que la IA en neuroimagen tiene potencial para transformar la
práctica neurológica, especialmente en el diagnóstico precoz de Alzheimer y en la predicción de
progresión en EM y Parkinson. La integración de algoritmos predictivos podría optimizar la
planificación terapéutica, reducir la variabilidad diagnóstica y contribuir a la medicina personalizada
[2,3,5,7].
Sin embargo, la implementación clínica efectiva requerirá garantizar la validez externa, la
explicabilidad y la integración fluida en los flujos clínicos. La IA debe entenderse como un instrumento
complementario dentro del juicio médico, capaz de mejorar la precisión sin sustituir la interpretación
humana [8,10].
A nivel científico, la IA está propiciando un cambio de paradigma desde el diagnóstico descriptivo
hacia la predicción probabilística basada en patrones cuantitativos, fortaleciendo el vínculo entre
neuroimagen, genética y datos longitudinales [1,9]. Esta evolución demanda la creación de consorcios
internacionales de datos estandarizados, el desarrollo de plataformas de federated learning que protejan
la privacidad, y la evaluación continua de la ética y seguridad de los algoritmos [13,15].
Perspectivas futuras
Se delinean tres ejes estratégicos para el desarrollo futuro del campo:
1. Estandarización metodológica: adopción sistemática de guías internacionales (PRISMA-AI,
TRIPOD+AI, CLAIM) para transparentar la construcción, validación y reporte de modelos [12].
pág. 4121
2. Modelos multimodales explicables: integración de IA con datos clínicos, genéticos y de
neuroimagen junto a técnicas de interpretación visual, promoviendo la medicina de precisión
[7,8,10].
3. Validación clínica y ética: implementación de ensayos prospectivos y multicéntricos que evalúen
rendimiento, equidad y seguridad de los modelos en escenarios reales [14,15].
Conclusión de la discusión
Esta revisión muestra que la inteligencia artificial en neuroimagen mejora de manera consistente la
precisión diagnóstica y la capacidad pronóstica, especialmente cuando integra MRI y PET con datos
clínicos bajo enfoques multimodales y radiómicos. La evidencia es más robusta en deterioro
cognitivo/Alzheimer (detección temprana y predicción de conversión), y muestra utilidades claras en
ictus (triaje y pronóstico funcional) y neurooncología (segmentación tumoral y respuesta terapéutica).
Los resultados son más variables en Parkinson en la diferenciación frente a parkinsonismos atípicos,
esclerosis múltiple en la segmentación y estimación de discapacidad y ELA en modelado de progresión.
La evidencia revisada muestra que estos modelos pueden mejorar la sensibilidad diagnóstica y el valor
pronóstico, apoyar decisiones terapéuticas y optimizar tiempos en los flujos de trabajo. Sin embargo,
su adopción generalizada exige superar desafíos pendientes: mayor validación externa y prospectiva,
armonización de protocolos de adquisición y procesamiento, reportes transparentes y comparables,
explicabilidad clínica y mitigación de sesgos poblacionales.
Avanzar en estas áreas permitirá transitar de pruebas de concepto a herramientas robustas que funcionen
como apoyo al juicio experto, con impacto real en resultados clínicos y eficiencia del sistema de salud.
La IA en neuroimagen se perfila como un aliado clave para una medicina más temprana, precisa y
personalizada. Su potencial curatorial y predictivo dependerá de la calidad metodológica, la
interoperabilidad de datos y la evaluación ética y de equidad en contextos diversos. El aporte de esta
revisión es integrar por tareas (diagnóstico, pronóstico, triaje) y por patología un mapa comparativo de
desempeño y un itinerario mínimo de implementación para entornos reales.
2. Modelos multimodales explicables: integración de IA con datos clínicos, genéticos y de
neuroimagen junto a técnicas de interpretación visual, promoviendo la medicina de precisión
[7,8,10].
3. Validación clínica y ética: implementación de ensayos prospectivos y multicéntricos que evalúen
rendimiento, equidad y seguridad de los modelos en escenarios reales [14,15].
Conclusión de la discusión
Esta revisión muestra que la inteligencia artificial en neuroimagen mejora de manera consistente la
precisión diagnóstica y la capacidad pronóstica, especialmente cuando integra MRI y PET con datos
clínicos bajo enfoques multimodales y radiómicos. La evidencia es más robusta en deterioro
cognitivo/Alzheimer (detección temprana y predicción de conversión), y muestra utilidades claras en
ictus (triaje y pronóstico funcional) y neurooncología (segmentación tumoral y respuesta terapéutica).
Los resultados son más variables en Parkinson en la diferenciación frente a parkinsonismos atípicos,
esclerosis múltiple en la segmentación y estimación de discapacidad y ELA en modelado de progresión.
La evidencia revisada muestra que estos modelos pueden mejorar la sensibilidad diagnóstica y el valor
pronóstico, apoyar decisiones terapéuticas y optimizar tiempos en los flujos de trabajo. Sin embargo,
su adopción generalizada exige superar desafíos pendientes: mayor validación externa y prospectiva,
armonización de protocolos de adquisición y procesamiento, reportes transparentes y comparables,
explicabilidad clínica y mitigación de sesgos poblacionales.
Avanzar en estas áreas permitirá transitar de pruebas de concepto a herramientas robustas que funcionen
como apoyo al juicio experto, con impacto real en resultados clínicos y eficiencia del sistema de salud.
La IA en neuroimagen se perfila como un aliado clave para una medicina más temprana, precisa y
personalizada. Su potencial curatorial y predictivo dependerá de la calidad metodológica, la
interoperabilidad de datos y la evaluación ética y de equidad en contextos diversos. El aporte de esta
revisión es integrar por tareas (diagnóstico, pronóstico, triaje) y por patología un mapa comparativo de
desempeño y un itinerario mínimo de implementación para entornos reales.
pág. 4122
CONCLUSIONES
Síntesis global y aspectos metodológicos
La revisión sistemática realizada evidenció el creciente impacto de la inteligencia artificial (IA) en el
campo de la neuroimagen aplicada a enfermedades neurodegenerativas, consolidándose como una
herramienta que potencia la precisión diagnóstica y la predicción de desenlaces clínicos. Los hallazgos
obtenidos a partir de estudios recientes (Dentamaro et al., 2025; Din Abdul Jabbar et al., 2024;
Aghajanian et al., 2025; Alasiry et al., 2025; Zhang et al., 2024) demuestran que los modelos de deep
learning, machine learning y enfoques multimodales han logrado superar las limitaciones de los
métodos tradicionales, alcanzando precisiones diagnósticas y pronósticas superiores al 85-90%. Dichos
modelos integran resonancia magnética estructural (MRI), tomografía por emisión de positrones (PET)
y biomarcadores clínicos, lo que ha permitido una mejor caracterización de patologías como Alzheimer,
Parkinson y esclerosis lateral amiotrófica.
Desde la perspectiva metodológica, el estudio se desarrolló conforme a las directrices PRISMA 2020 y
al Cochrane Handbook for Systematic Reviews of Interventions, garantizando un proceso riguroso de
búsqueda, selección, extracción y evaluación de calidad de los estudios. Se incluyeron únicamente
investigaciones originales que aplicaran algoritmos de IA en imágenes neuroanatómicas o funcionales
(MRI, PET, fMRI, OCT, EEG) en poblaciones humanas adultas, con resultados cuantitativos de
rendimiento diagnóstico o predictivo. La calidad metodológica se evaluó con instrumentos como
Newcastle-Ottawa Scale (NOS), QUADAS-2 y PROBAST-AI, estableciendo el nivel de sesgo y
consistencia de los resultados.
Los resultados reflejan un avance significativo hacia una medicina más personalizada y predictiva,
donde la IA actúa como un apoyo clínico más que como sustituto del juicio humano. Sin embargo, la
revisión también identificó limitaciones recurrentes: tamaños muestrales reducidos, escasa validación
externa, heterogeneidad en los protocolos de adquisición y ausencia de estandarización conforme a
guías internacionales como CLAIM y TRIPOD+AI. Estos aspectos metodológicos subrayan la
necesidad de promover estudios multicéntricos, bases de datos abiertas y un marco ético que garantice
la equidad y la reproducibilidad de los algoritmos.
CONCLUSIONES
Síntesis global y aspectos metodológicos
La revisión sistemática realizada evidenció el creciente impacto de la inteligencia artificial (IA) en el
campo de la neuroimagen aplicada a enfermedades neurodegenerativas, consolidándose como una
herramienta que potencia la precisión diagnóstica y la predicción de desenlaces clínicos. Los hallazgos
obtenidos a partir de estudios recientes (Dentamaro et al., 2025; Din Abdul Jabbar et al., 2024;
Aghajanian et al., 2025; Alasiry et al., 2025; Zhang et al., 2024) demuestran que los modelos de deep
learning, machine learning y enfoques multimodales han logrado superar las limitaciones de los
métodos tradicionales, alcanzando precisiones diagnósticas y pronósticas superiores al 85-90%. Dichos
modelos integran resonancia magnética estructural (MRI), tomografía por emisión de positrones (PET)
y biomarcadores clínicos, lo que ha permitido una mejor caracterización de patologías como Alzheimer,
Parkinson y esclerosis lateral amiotrófica.
Desde la perspectiva metodológica, el estudio se desarrolló conforme a las directrices PRISMA 2020 y
al Cochrane Handbook for Systematic Reviews of Interventions, garantizando un proceso riguroso de
búsqueda, selección, extracción y evaluación de calidad de los estudios. Se incluyeron únicamente
investigaciones originales que aplicaran algoritmos de IA en imágenes neuroanatómicas o funcionales
(MRI, PET, fMRI, OCT, EEG) en poblaciones humanas adultas, con resultados cuantitativos de
rendimiento diagnóstico o predictivo. La calidad metodológica se evaluó con instrumentos como
Newcastle-Ottawa Scale (NOS), QUADAS-2 y PROBAST-AI, estableciendo el nivel de sesgo y
consistencia de los resultados.
Los resultados reflejan un avance significativo hacia una medicina más personalizada y predictiva,
donde la IA actúa como un apoyo clínico más que como sustituto del juicio humano. Sin embargo, la
revisión también identificó limitaciones recurrentes: tamaños muestrales reducidos, escasa validación
externa, heterogeneidad en los protocolos de adquisición y ausencia de estandarización conforme a
guías internacionales como CLAIM y TRIPOD+AI. Estos aspectos metodológicos subrayan la
necesidad de promover estudios multicéntricos, bases de datos abiertas y un marco ético que garantice
la equidad y la reproducibilidad de los algoritmos.
pág. 4123
En síntesis, la inteligencia artificial aplicada a la neuroimagen se proyecta como un instrumento
transformador en el diagnóstico y manejo de enfermedades neurológicas. Su integración de modelos
multimodales y explicables (explainable AI) fortalece la interpretación clínica y promueve decisiones
terapéuticas basadas en evidencia cuantitativa. No obstante, el paso de la investigación a la práctica
clínica requerirá mantener una rigurosa validación metodológica y una constante supervisión ética. De
alcanzarse estas condiciones, la IA consolidará su papel como un aliado fundamental para una medicina
neurológica más temprana, precisa y personalizada.
Implicaciones clínicas
El uso de la inteligencia artificial (IA) en neuroimagen representa un avance significativo en el
diagnóstico y manejo de enfermedades neurológicas. En patologías como Alzheimer, Parkinson y
esclerosis múltiple, la IA permite la detección temprana de alteraciones estructurales y funcionales, lo
que optimiza la estratificación y el seguimiento de los pacientes, ofreciendo una medicina más
personalizada (Guan et al., 2024; Rivera-Baltanás et al., 2025).
En situaciones agudas, como el ictus, la IA acelera el diagnóstico y reduce los tiempos de atención,
mejorando de forma considerable el pronóstico del paciente (Lohner et al., 2025). Además, su uso
contribuye a disminuir costos y estandarizar criterios diagnósticos entre profesionales y centros de salud
(Yang et al., 2024).
No obstante, su integración clínica requiere la validación y supervisión de profesionales de la salud,
buscando siempre un equilibrio entre la tecnología y el juicio clínico humano.
Perspectivas futuras y ética aplicada
El futuro de la inteligencia artificial aplicada a la neuroimagen se centra en la superación de las barreras
de traslación clínica para consolidar su utilidad en el diagnóstico y pronóstico de las enfermedades
neurodegenerativas. El desarrollo se orienta en tre ejes fundamentales: la estandarización metodológica
mediante la adopción sistemática de guías como PRISMA-AI y TRIPOD + AI para garantizar la
transparencia y reproducibilidad de los modelos; la creación de modelos multimodales explicables que
integren datos de neuroimagen con información clínica y genética, promoviendo la medicina de
precisión y la confianza médica al dejar de funcionar como “cajas negras”; y la validación clínica y
ética rigurosa a través de ensayos prospectivos y multicéntricos.
En síntesis, la inteligencia artificial aplicada a la neuroimagen se proyecta como un instrumento
transformador en el diagnóstico y manejo de enfermedades neurológicas. Su integración de modelos
multimodales y explicables (explainable AI) fortalece la interpretación clínica y promueve decisiones
terapéuticas basadas en evidencia cuantitativa. No obstante, el paso de la investigación a la práctica
clínica requerirá mantener una rigurosa validación metodológica y una constante supervisión ética. De
alcanzarse estas condiciones, la IA consolidará su papel como un aliado fundamental para una medicina
neurológica más temprana, precisa y personalizada.
Implicaciones clínicas
El uso de la inteligencia artificial (IA) en neuroimagen representa un avance significativo en el
diagnóstico y manejo de enfermedades neurológicas. En patologías como Alzheimer, Parkinson y
esclerosis múltiple, la IA permite la detección temprana de alteraciones estructurales y funcionales, lo
que optimiza la estratificación y el seguimiento de los pacientes, ofreciendo una medicina más
personalizada (Guan et al., 2024; Rivera-Baltanás et al., 2025).
En situaciones agudas, como el ictus, la IA acelera el diagnóstico y reduce los tiempos de atención,
mejorando de forma considerable el pronóstico del paciente (Lohner et al., 2025). Además, su uso
contribuye a disminuir costos y estandarizar criterios diagnósticos entre profesionales y centros de salud
(Yang et al., 2024).
No obstante, su integración clínica requiere la validación y supervisión de profesionales de la salud,
buscando siempre un equilibrio entre la tecnología y el juicio clínico humano.
Perspectivas futuras y ética aplicada
El futuro de la inteligencia artificial aplicada a la neuroimagen se centra en la superación de las barreras
de traslación clínica para consolidar su utilidad en el diagnóstico y pronóstico de las enfermedades
neurodegenerativas. El desarrollo se orienta en tre ejes fundamentales: la estandarización metodológica
mediante la adopción sistemática de guías como PRISMA-AI y TRIPOD + AI para garantizar la
transparencia y reproducibilidad de los modelos; la creación de modelos multimodales explicables que
integren datos de neuroimagen con información clínica y genética, promoviendo la medicina de
precisión y la confianza médica al dejar de funcionar como “cajas negras”; y la validación clínica y
ética rigurosa a través de ensayos prospectivos y multicéntricos.
pág. 4124
La dimensión ética resulta crucial, pues la implementación exige asegurar la equidad y representatividad
de los modelos en diversas poblaciones, además de garantizar su seguridad en escenarios reales. El
desafío final radica en que la inteligencia artificial (IA) sea entendida como instrumento
complementario que optimiza la precisión sin reemplazar el juicio humano, por lo que su avance
dependerá de la colaboración interdisciplinaria, con el respaldo de marcos regulatorios que aseguren su
uso ético y seguro. Si estos retos de abordan de manera adecuada, la IA no solo redefinirá la
neuroimagen, sino que afianzará una nueva era en el abordaje de enfermedades neurodegenerativas.
REFERENCIAS BIBLIOGRAFICAS
1. Borchert RJ, Allyse M, Jonaitis EM, Betthauser TJ, Johnson SC, Bendlin BB, et al. Deep learning-
based prediction of Alzheimer’s disease using multimodal neuroimaging. Alzheimers Dement.
2023;19(12):5885–904.
2. Guan J, Zhang Z, Li Y, Lin H, Liu T, Yang W, et al. Deep learning models improve early diagnosis
of Alzheimer’s disease and mild cognitive impairment: a multimodal MRI meta-analysis. Front
Aging Neurosci. 2024;16:1429130.
3. Cho H, Choi JY, Lee SH, Kim YJ, Lyoo CH. Tau PET combined with machine learning predicts
progression from MCI to Alzheimer’s disease. Eur J Nucl Med Mol Imaging. 2025;52(2):521–33.
4. Aghajanian S, Searle G, Dickens AM, Aughwane R, Hyare H, Powell N, et al. Longitudinal deep
learning analysis of MRI for prediction of cognitive decline in Alzheimer’s disease. Alzheimers Res
Ther. 2025;17(1):182.
5. Dennis EL, Strafella A. Machine learning for early detection and progression prediction in
Parkinson’s disease. npj Parkinsons Dis. 2024;10:34.
6. Dentamaro V, Di Leo G, Le Noci V, et al. Multimodal explainable AI improves early detection of
Parkinson’s disease in the PPMI cohort. Sci Rep. 2024;14:20941.
7. Rivera-Baltanás T, Gómez-Chinchón M, García-Martín E, et al. Deep learning-based retinal
imaging predicts disability progression in multiple sclerosis. J Neurol Sci. 2025;459:123918.
8. Al-Louzi O, Calabresi PA, Saidha S. Automated deep learning segmentation of MS lesions:
diagnostic accuracy and reproducibility. Mult Scler J. 2025;31(4):512–24.
La dimensión ética resulta crucial, pues la implementación exige asegurar la equidad y representatividad
de los modelos en diversas poblaciones, además de garantizar su seguridad en escenarios reales. El
desafío final radica en que la inteligencia artificial (IA) sea entendida como instrumento
complementario que optimiza la precisión sin reemplazar el juicio humano, por lo que su avance
dependerá de la colaboración interdisciplinaria, con el respaldo de marcos regulatorios que aseguren su
uso ético y seguro. Si estos retos de abordan de manera adecuada, la IA no solo redefinirá la
neuroimagen, sino que afianzará una nueva era en el abordaje de enfermedades neurodegenerativas.
REFERENCIAS BIBLIOGRAFICAS
1. Borchert RJ, Allyse M, Jonaitis EM, Betthauser TJ, Johnson SC, Bendlin BB, et al. Deep learning-
based prediction of Alzheimer’s disease using multimodal neuroimaging. Alzheimers Dement.
2023;19(12):5885–904.
2. Guan J, Zhang Z, Li Y, Lin H, Liu T, Yang W, et al. Deep learning models improve early diagnosis
of Alzheimer’s disease and mild cognitive impairment: a multimodal MRI meta-analysis. Front
Aging Neurosci. 2024;16:1429130.
3. Cho H, Choi JY, Lee SH, Kim YJ, Lyoo CH. Tau PET combined with machine learning predicts
progression from MCI to Alzheimer’s disease. Eur J Nucl Med Mol Imaging. 2025;52(2):521–33.
4. Aghajanian S, Searle G, Dickens AM, Aughwane R, Hyare H, Powell N, et al. Longitudinal deep
learning analysis of MRI for prediction of cognitive decline in Alzheimer’s disease. Alzheimers Res
Ther. 2025;17(1):182.
5. Dennis EL, Strafella A. Machine learning for early detection and progression prediction in
Parkinson’s disease. npj Parkinsons Dis. 2024;10:34.
6. Dentamaro V, Di Leo G, Le Noci V, et al. Multimodal explainable AI improves early detection of
Parkinson’s disease in the PPMI cohort. Sci Rep. 2024;14:20941.
7. Rivera-Baltanás T, Gómez-Chinchón M, García-Martín E, et al. Deep learning-based retinal
imaging predicts disability progression in multiple sclerosis. J Neurol Sci. 2025;459:123918.
8. Al-Louzi O, Calabresi PA, Saidha S. Automated deep learning segmentation of MS lesions:
diagnostic accuracy and reproducibility. Mult Scler J. 2025;31(4):512–24.
pág. 4125
9. Din Abdul Jabbar A, Al-Shammari M, Brown RH. Machine-learning-based prognostic assessment
in amyotrophic lateral sclerosis: A multimodal neuroimaging study. Neuroimage Clin.
2024;43:103218.
10. Kitaoka T, Matsuo K, Kawahara J, Aoki Y. AI-driven imaging biomarkers for personalized therapy
in amyotrophic lateral sclerosis. Brain Imaging Behav. 2025;19(1):224–39.
11. Mongan J, Moy L, Kahn CE. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A
guideline for reporting AI studies. Radiology: Artificial Intelligence. 2020;2(2):e200029.
12. Collins GS, Moons KGM. Reporting of artificial intelligence prediction models (TRIPOD-AI).
BMJ. 2023;380:e072799.
13. Surianarayanan C, Reddy G, Prasad DK. Evaluation of deep learning quality and bias in medical
imaging datasets. Sensors (Basel). 2023;23(6):3062.
14. Esteva A, Topol EJ. Towards high-performance AI in neurology: challenges and opportunities. Nat
Med. 2024;30(1):44–56.
15. Ashrafian H, et al. Ethical and regulatory considerations in clinical AI deployment. Lancet Digit
Health.2023;5(4):e199–210.
16. Varoquaux G. Machine learning for medical imaging: the importance of validation. Neuroimage.
2022;257:119302.
17. Tustison NJ, Cook PA. Radiomics in neurodegenerative diseases: Current applications and future
directions. Neuroimage Clin. 2023;36:103322.
18. Nie D, et al. Multimodal AI fusion improves diagnostic performance in neurodegenerative
disorders. Med Image Anal.2024;92:102158.
9. Din Abdul Jabbar A, Al-Shammari M, Brown RH. Machine-learning-based prognostic assessment
in amyotrophic lateral sclerosis: A multimodal neuroimaging study. Neuroimage Clin.
2024;43:103218.
10. Kitaoka T, Matsuo K, Kawahara J, Aoki Y. AI-driven imaging biomarkers for personalized therapy
in amyotrophic lateral sclerosis. Brain Imaging Behav. 2025;19(1):224–39.
11. Mongan J, Moy L, Kahn CE. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A
guideline for reporting AI studies. Radiology: Artificial Intelligence. 2020;2(2):e200029.
12. Collins GS, Moons KGM. Reporting of artificial intelligence prediction models (TRIPOD-AI).
BMJ. 2023;380:e072799.
13. Surianarayanan C, Reddy G, Prasad DK. Evaluation of deep learning quality and bias in medical
imaging datasets. Sensors (Basel). 2023;23(6):3062.
14. Esteva A, Topol EJ. Towards high-performance AI in neurology: challenges and opportunities. Nat
Med. 2024;30(1):44–56.
15. Ashrafian H, et al. Ethical and regulatory considerations in clinical AI deployment. Lancet Digit
Health.2023;5(4):e199–210.
16. Varoquaux G. Machine learning for medical imaging: the importance of validation. Neuroimage.
2022;257:119302.
17. Tustison NJ, Cook PA. Radiomics in neurodegenerative diseases: Current applications and future
directions. Neuroimage Clin. 2023;36:103322.
18. Nie D, et al. Multimodal AI fusion improves diagnostic performance in neurodegenerative
disorders. Med Image Anal.2024;92:102158.