Evaluación de modelos de aprendizaje profundo para la segmentación de volúmenes del hipocampo en imágenes por RM en la enfermedad de Alzheimer

Por qué esta investigación importa a las familias

La enfermedad de Alzheimer erosiona lentamente la memoria y la independencia, a menudo mucho antes de que los síntomas sean evidentes. Los médicos saben que una pequeña estructura cerebral llamada hipocampo se reduce a medida que progresa la enfermedad, pero medir esa reducción manualmente en las pruebas cerebrales es lento y difícil. Este estudio explora si la inteligencia artificial moderna puede delinear automáticamente el hipocampo en imágenes por RM y estimar de forma fiable cuánto se ha perdido en cada lado del cerebro, lo que potencialmente ofrecería a los médicos una ventana más rápida y objetiva hacia los cambios cerebrales tempranos.

Una pequeña región cerebral con un gran papel en la memoria

El hipocampo, situado profundamente en los lóbulos temporales a ambos lados del cerebro, nos ayuda a formar nuevos recuerdos y a orientarnos en el espacio. Investigaciones previas han mostrado que su volumen tiende a disminuir en personas con enfermedad de Alzheimer, y que esa pérdida puede comenzar años antes de un diagnóstico formal. El hipocampo izquierdo está más ligado a la memoria verbal y autobiográfica, mientras que el derecho desempeña un papel mayor en la memoria espacial y la navegación. Rastrear cómo cambia el tamaño de cada lado a lo largo del tiempo podría revelar no solo si la enfermedad está presente, sino también cómo puede afectar el pensar y el funcionamiento cotidiano.

Por qué medir el hipocampo es tan difícil

En una imagen por RM, el hipocampo aparece como una estructura pequeña y de forma compleja, apenas una parte diminuta de cada corte. Tradicionalmente, los expertos trazan sus límites a mano a lo largo de 25 a 30 cortes y luego combinan esas áreas para calcular el volumen. Este enfoque manual se considera el estándar de referencia, pero exige formación especializada, lleva bastante tiempo y es difícil de aplicar a los miles de exploraciones recogidas en grandes estudios o en clínicas con alto volumen. El software automatizado existente puede manejar bien regiones cerebrales más grandes y simples, pero a menudo lucha por capturar de forma consistente los detalles finos del hipocampo, especialmente entre distintos escáneres y calidades de imagen.

Poner a prueba el aprendizaje profundo

Para abordar este desafío, los investigadores evaluaron tres modelos de aprendizaje profundo diseñados para localizar y delinear objetos en imágenes. Usaron exploraciones por RM de 300 personas de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer: 100 con enfermedad de Alzheimer, 100 con deterioro cognitivo leve (una posible etapa temprana) y 100 adultos mayores sanos. Tras un etiquetado cuidadoso del hipocampo por parte de un neurólogo en miles de cortes de imagen, el equipo entrenó los modelos para que aprendieran los patrones visuales que definen esta estructura. Compararon el rendimiento usando varias medidas estándar de precisión, centrándose en cuánto se solapaban los contornos predichos por cada modelo con las etiquetas de los expertos.

El modelo ganador y lo que reveló

Entre los tres enfoques, un modelo llamado U-Net rindió claramente mejor al trazar fronteras precisas alrededor del hipocampo en ambos lados del cerebro. Logró la mayor coincidencia con las etiquetas de los expertos en los tres grupos, superando a un modelo de detección de objetos popular conocido como YOLO-v8 y a otro método avanzado llamado DeepLab-v3. Una vez entrenado, el modelo U-Net se utilizó para segmentar el hipocampo en un conjunto de prueba independiente y calcular los volúmenes. Los resultados mostraron un patrón claro: las personas con Alzheimer tenían los volúmenes hipocampales más pequeños, las de deterioro cognitivo leve tenían volúmenes intermedios y los controles sanos presentaban los mayores. En todos los grupos, el lado izquierdo tendía a ser ligeramente más pequeño que el derecho.

Diferencias sutiles entre izquierda y derecha

Al comparar directamente ambos lados, los investigadores también examinaron cuán simétrico era el hipocampo en cada grupo. Encontraron que en los adultos mayores sanos, el lado derecho era notablemente mayor que el izquierdo, mostrando la mayor asimetría. En contraste, las personas con enfermedad de Alzheimer y las de deterioro cognitivo leve mostraron volúmenes globales más pequeños y solo ligeras diferencias entre izquierda y derecha. Esto sugiere que, a medida que la enfermedad progresa, ambos hipocampos se encogen y sus volúmenes se vuelven más similares, un patrón que puede contener información sobre cómo están cambiando la memoria y otras capacidades cognitivas.

Qué significa esto para la atención futura

Para los no especialistas, la conclusión es que la inteligencia artificial puede igualar ahora el rendimiento de los expertos en un paso tedioso pero crucial: delinear el hipocampo en las exploraciones cerebrales. En este estudio, el modelo U-Net demostró ser especialmente fiable para esta tarea, permitiendo el cálculo rápido del volumen hipocampal en ambos lados del cerebro. Si se valida más en conjuntos de datos mayores y más diversos, este tipo de herramientas podría ayudar a los clínicos a seguir más fácilmente los cambios cerebrales tempranos, apoyar diagnósticos más tempranos y confiables, y monitorizar cómo los tratamientos ralentizan o modifican la progresión de la enfermedad. El trabajo nos acerca al uso de exploraciones de RM de rutina, mejoradas por aprendizaje profundo, como un biomarcador práctico de la enfermedad de Alzheimer en la práctica clínica diaria.

Cita: Pusparani, Y., Lin, CY., Jan, YK. et al. Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer’s disease. Sci Rep 16, 7878 (2026). https://doi.org/10.1038/s41598-026-38220-4

Palabras clave: Enfermedad de Alzheimer, volumen del hipocampo, RM cerebral, segmentación por aprendizaje profundo, U-Net