Marco de aprendizaje profundo de múltiples flujos que integra imágenes y representaciones de características para predecir el deterioro cognitivo leve usando la prueba de la figura compleja de Rey

Por qué el dibujo puede revelar problemas de memoria ocultos

A medida que las personas viven más, muchos se preocupan por lapsos de memoria sutiles y por si podrían señalar las primeras etapas de la demencia. Los médicos llevan tiempo usando pruebas sencillas de papel y lápiz para evaluar el pensamiento y la memoria, porque son rápidas, de bajo coste y fáciles de administrar en cualquier consulta. Este estudio muestra cómo la inteligencia artificial moderna puede extraer mucha más información de una prueba clásica de dibujo, transformándola en una herramienta de alerta temprana potente para el deterioro cognitivo leve, una condición que a menudo precede a la demencia.

Una imagen clásica con ojos digitales nuevos

Una tarea de dibujo ampliamente utilizada es la prueba de la figura compleja de Rey. A la persona se le pide primero copiar un dibujo lineal detallado y abstracto y, más tarde, dibujarlo de nuevo de memoria. Tradicionalmente, los expertos puntúan cada dibujo en una escala de 36 puntos, valorando cómo se sitúan y forman distintas partes. Esas puntuaciones ofrecen una instantánea útil de las habilidades visoespaciales y de la memoria visual, pero inevitablemente ignoran muchas características sutiles del dibujo. Los autores de este artículo se propusieron construir un sistema automatizado que pudiera analizar la imagen completa, combinarla con la puntuación habitual y con información básica de antecedentes como edad, sexo y años de educación, y luego decidir si una persona probablemente presenta deterioro cognitivo leve.

Dos vías para leer un dibujo

Los investigadores diseñaron un modelo de aprendizaje profundo “de dos flujos” que procesa los dibujos de cada persona de dos maneras diferentes a la vez. En la primera vía, llamada flujo espacial, las imágenes escaneadas en bruto de tres dibujos (la copia, el recuerdo inmediato y el recuerdo retrasado) se introducen en una red de reconocimiento de imágenes. Esta red, basada en una arquitectura conocida como EfficientNet, aprende automáticamente características visuales como formas, grosor de línea y estilo de dibujo. Un módulo de atención especial ayuda al sistema a centrarse más en las regiones del dibujo que resultan más informativas. En la segunda vía, llamada flujo de puntuación, el modelo toma las puntuaciones habituales de la prueba de Rey—generadas automáticamente por una red de puntuación previamente entrenada—junto con la edad, el sexo y la educación de la persona. Estos números estructurados se combinan mediante una red de predicción más simple. Finalmente, las salidas de los dos flujos se promedian para producir una única probabilidad de que la persona tenga deterioro cognitivo leve en lugar de cognición normal.

Aprender de muchos adultos mayores

Para entrenar y evaluar su sistema, el equipo utilizó dibujos de 1.740 adultos mayores en una amplia cohorte de investigación coreana, aproximadamente la mitad con cognición normal y la otra mitad con deterioro cognitivo leve. Repartieron repetidamente este conjunto de datos en subconjuntos de entrenamiento, validación y prueba para afinar el modelo y protegerlo contra el sobreajuste. De forma crucial, también evaluaron el rendimiento en un grupo independiente de 222 pacientes de otro hospital. Antes de construir modelos predictivos sobre este conjunto externo, emplearon su herramienta de puntuación automatizada para comprobar grandes discrepancias entre las puntuaciones de la máquina y las de los humanos; en los casos con desacuerdos importantes, los expertos revisaron y corrigieron sus valoraciones. Este paso de control de calidad mejoró el acuerdo entre las puntuaciones humanas y las de la IA, estrechando el vínculo entre las evaluaciones manuales y las automatizadas.

Qué tan bien detecta el sistema el deterioro temprano

Los investigadores compararon su modelo de dos flujos con varias alternativas: modelos estadísticos sencillos que usan una prueba breve común de cognición general, modelos que usan solo las puntuaciones humanas de Rey, modelos que usan solo las puntuaciones generadas por IA y un modelo de aprendizaje profundo que analizaba únicamente las imágenes sin el flujo de puntuación. A lo largo de muchas repeticiones dentro de la cohorte principal y en el grupo del hospital externo, el sistema combinado de dos flujos resultó consistentemente superior. En la prueba externa alcanzó un área bajo la curva ROC de 0,872 y una exactitud global de alrededor del 78 por ciento, superando tanto a los modelos tradicionales basados en puntuaciones como a la red profunda que usaba solo imágenes. Estas mejoras sugieren que la combinación de rico detalle visual e información de puntuación estructurada ofrece una visión más estable y fiable del cambio cognitivo temprano.

Lo que esto podría significar para las consultas diarias

Desde el punto de vista del paciente, no hace falta cambiar nada en la prueba: siguen sentándose con lápiz y papel y copiando una figura compleja. Detrás de escena, sin embargo, un escáner y el sistema de IA pueden ahora evaluar los dibujos en segundos, generar puntuaciones estandarizadas y estimar el riesgo de deterioro cognitivo leve de la persona con más precisión que muchas herramientas rápidas de cribado existentes. Porque requiere solo una prueba conocida más información de rutina, el método podría incorporarse a centros de revisión concurridos sin grandes interrupciones. Aunque el estudio se centró en participantes coreanos y solo usó imágenes estáticas, el enfoque apunta hacia un futuro en el que simples dibujos, interpretados por software inteligente, ayuden a detectar problemas cognitivos sutiles lo suficientemente pronto como para una intervención significativa.

Cita: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Palabras clave: deterioro cognitivo leve, prueba de la figura compleja de Rey, cribado mediante aprendizaje profundo, evaluación cognitiva, prevención de la demencia