Rendimiento de algoritmos de aprendizaje automático en imagen por tensor de difusión de trastornos del movimiento: un...

Área de la Ciencia:

• Neuroimagen
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• El aprendizaje automático (ML) aplicado a la imagen por tensor de difusión (DTI) muestra potencial para detectar alteraciones cerebrales en trastornos del movimiento.
• Los estudios existentes presentan una heterogeneidad metodológica significativa, lo que dificulta la comparación cuantitativa y la traslación clínica.

Objetivo del estudio:

• Caracterizar las tendencias de rendimiento, la diversidad metodológica y la variabilidad en los modelos de ML entrenados con datos de DTI para la clasificación de trastornos del movimiento.
• Este metaanálisis exploratorio tuvo como objetivo describir las distribuciones de rendimiento y los patrones metodológicos, no inferir un efecto diagnóstico agrupado único debido a la heterogeneidad extrema.

Principales métodos:

• Búsqueda sistemática de literatura en PubMed, Web of Science y Scopus de estudios que utilizan ML con DTI en trastornos del movimiento.
• Se extrajeron precisión, sensibilidad, especificidad y AUC; se empleó modelado de efectos aleatorios para resúmenes descriptivos y análisis de subgrupos.
• Se evaluó la calidad del estudio utilizando herramientas JBI; se utilizó imputación múltiple para métricas faltantes.

Principales resultados:

• Se incluyeron 46 estudios (2016-2024) sobre la enfermedad de Parkinson, el síndrome de Tourette y el temblor esencial.
• Se reportó que el AUC mediano fue alto (≈0.91), pero la heterogeneidad fue extrema (I²=94.7%).
• Los modelos de aprendizaje profundo y de radiómica mostraron alta precisión pero validez externa limitada debido a cohortes pequeñas y de un solo centro.

Conclusiones:

• Los modelos de ML con DTI exhiben un alto rendimiento interno para los trastornos del movimiento, pero la generalización es limitada.
• La evidencia actual es exploratoria, obstaculizada por tamaños de muestra pequeños, fragmentación metodológica y falta de pipelines estandarizados.
• El progreso futuro requiere armonización de datos, colaboraciones multicéntricas y aprendizaje federado para modelos reproducibles e interpretables.