Radiómica basada en hábitats en resonancia magnética para mejorar el diagnóstico del párkinson

Por qué esto importa para pacientes y familias

La enfermedad de Parkinson suele aparecer de forma progresiva y sutil, con temblores o rigidez difíciles de reconocer. Hoy en día, los médicos aún dependen en gran medida de los síntomas y de exploraciones especializadas y costosas para establecer un diagnóstico, por lo que los casos tempranos se pasan por alto con facilidad. Este estudio muestra que las mismas resonancias magnéticas de rutina que ya usan muchos hospitales pueden ser analizadas para encontrar patrones ocultos, ofreciendo una forma más rápida, menos invasiva y notablemente precisa de detectar la enfermedad de Parkinson.

Mirar el cerebro de una manera nueva

Los investigadores se centraron en dos estructuras profundas del cerebro, el núcleo caudado y el putamen, que son claves para el control del movimiento y están fuertemente afectadas en la enfermedad de Parkinson. En lugar de tratar cada estructura como un bloque homogéneo de tejido, plantearon una pregunta más detallada: ¿se comportan de forma diferente distintos parches dentro de estas regiones en la RM, y pueden esas diferencias revelar la enfermedad? Para explorarlo, recopilaron resonancias magnéticas de rutina de 308 personas —173 con Parkinson y 135 voluntarios sanos— en dos hospitales que usaban escáneres distintos, reproduciendo la variedad que se encuentra en clínicas reales.

De “vecindarios” cerebrales a huellas digitales digitales

Empleando una técnica llamada radiómica basada en hábitats, el equipo dividió cada región objetivo en “vecindarios” más pequeños, o hábitats, según sutiles diferencias de brillo y textura en las imágenes de RM. Un algoritmo agrupó vóxeles (pequeños píxeles 3D) con características de imagen similares en estos hábitats y luego extrajo cientos de características numéricas de cada uno. Estas características forman una especie de huella digital del estado del tejido, capturando pequeñas irregularidades invisibles a simple vista que pueden reflejar pérdida de neuronas, cicatrización o acumulación de hierro asociadas al Parkinson.

Entrenar un modelo diagnóstico a partir de exploraciones de rutina

Con estas huellas digitales, los científicos entrenaron un modelo de aprendizaje automático, conocido como máquina de vectores de soporte, para distinguir a los pacientes con Parkinson de los controles sanos. Probaron distintas formas de dividir las regiones cerebrales en hábitats, desde una sola zona grande hasta diez más pequeñas. Se usaron tanto el conjunto principal de entrenamiento como un conjunto de validación independiente para evaluar el rendimiento. Cuando las regiones se dividieron en cinco hábitats, el modelo rindió mejor: con datos nuevos y no vistos, identificó correctamente el Parkinson en casi 9 de cada 10 personas y alcanzó una precisión diagnóstica global superior al 94% en el estudio completo. Esto superó enfoques anteriores que trataban cada región cerebral como una unidad única y que a menudo se estancaban alrededor del 80–85% de precisión.

Qué es lo que el modelo está viendo realmente

Para evitar crear una “caja negra”, el equipo usó un método de explicación llamado SHAP para ver qué características de la imagen influyeron en las decisiones del modelo. Las señales más importantes provinieron de la RM ponderada en T2, una secuencia clínica común. En las personas con Parkinson, los hábitats relevantes mostraron mayor variación en la intensidad, más manchas extremadamente claras y oscuras y distribuciones de intensidad sesgadas en comparación con los voluntarios sanos. Estos patrones probablemente reflejan procesos patológicos conocidos en los ganglios basales, como la pérdida de neuronas productoras de dopamina, cicatrización local y depósitos anormales de hierro. Es importante que las mismas características aparecieran repetidamente cuando los datos se dividieron y reanalizaron de distintas maneras, y que se mantuvieran estables entre escáneres, lo que sugiere que el método es robusto y no un efecto fortuito de una sola máquina.

De herramienta de investigación a la clínica

Los análisis de curva de decisión, que ponderan los beneficios de detectar casos verdaderos frente a los perjuicios de falsas alarmas, indicaron que el modelo podría ayudar a los clínicos a decidir quién necesita realmente pruebas adicionales, como una DaTscan, y quién puede evitar procedimientos extra y costosos. Dado que el método se basa únicamente en resonancias magnéticas estándar y software, podría ser especialmente valioso en entornos donde la imagen nuclear avanzada no está disponible o es demasiado cara. Los autores sostienen que la radiómica basada en hábitats convierte las imágenes de RM familiares en mapas de datos ricos, ofreciendo una ayuda poderosa y no invasiva para un diagnóstico del Parkinson más temprano y preciso, y sentando las bases para herramientas futuras que también podrían rastrear la progresión de la enfermedad y orientar el tratamiento.

Cita: Li, YZ., Wang, Y., Cai, C. et al. Habitat-based MRI radiomics for enhanced parkinson’s diagnosis. Sci Rep 16, 4755 (2026). https://doi.org/10.1038/s41598-026-37923-y

Palabras clave: Enfermedad de Parkinson, RM, radiómica, aprendizaje automático, diagnóstico temprano