APLICACIONES DE LA RESONANCIA MAGNÉTICA FUNCIONAL EN EL DIAGNÓSTICO PRECOZ DE LA ENFERMEDAD DE ALZHEIMER: UNA REVISIÓN SISTEMÁTICA
DOI:
https://doi.org/10.56238/levv16n53-096Palabras clave:
Enfermedad de Alzheimer, Resonancia Magnética Funcional, Diagnóstico Temprano, Deterioro Cognitivo LeveResumen
Introducción: La enfermedad de Alzheimer (EA) es el trastorno neurodegenerativo más común a nivel mundial, caracterizado por un deterioro cognitivo progresivo y una importante carga socioeconómica. El diagnóstico temprano es crucial para permitir intervenciones terapéuticas antes de la pérdida neuronal irreversible.
Objetivo: El objetivo principal fue revisar sistemáticamente la evidencia actual sobre las aplicaciones de la resonancia magnética funcional (RMf) en el diagnóstico temprano de la EA, centrándose en la precisión diagnóstica, los avances metodológicos y el potencial clínico. Los objetivos secundarios incluyeron la evaluación de enfoques analíticos, como métricas de conectividad y modelos de aprendizaje automático, y la evaluación de la heterogeneidad y las lagunas en la literatura.
Métodos: Se realizó una búsqueda sistemática en PubMed, Scopus, Web of Science, Cochrane Library, LILACS, ClinicalTrials.gov e ICTRP de estudios publicados entre 2019 y 2025. Los criterios de inclusión incluyeron estudios de RMf en humanos que investigaran la EA temprana o el deterioro cognitivo leve (DCL) con métricas diagnósticas cuantitativas. Se incluyeron estudios con muestras pequeñas o protocolos no estandarizados, pero se señalaron como limitaciones. Los criterios de exclusión incluyeron revisiones, editoriales y estudios sin datos diagnósticos cuantitativos. La revisión siguió las directrices PRISMA.
Resultados y discusión: La mayoría utilizó fMRI en reposo y modelos computacionales avanzados para diferenciar el deterioro cognitivo leve (DCL) o la EA temprana de los controles sanos. La precisión diagnóstica reportada osciló entre el 83% y el 96%, con una sensibilidad y especificidad consistentes superiores a 0,85. El aprendizaje profundo y los modelos basados en grafos mejoraron significativamente el rendimiento de la clasificación. Sin embargo, la heterogeneidad en los parámetros de adquisición, los procesos de preprocesamiento y el pequeño tamaño de las muestras limitaron la generalización.
Conclusión: La resonancia magnética funcional demuestra un gran potencial como biomarcador no invasivo para el diagnóstico temprano de la EA, especialmente cuando se combina con imágenes estructurales y de difusión o análisis basados en inteligencia artificial. La estandarización de los protocolos de adquisición y preprocesamiento, así como la validación multicéntrica, siguen siendo esenciales para la aplicación clínica.
Descargas
Referencias
1. Livingston G, Huntley J, Sommerlad A, Ames D, Ballard C, Banerjee S, et al. Dementia prevention, intervention, and care: 2020 report of the Lancet Commission. Lancet. 2020;396(10248):413–46. doi:10.1016/S0140-6736(20)30367-6.
2. Jack CR Jr, Bennett DA, Blennow K, Carrillo MC, Dunn B, Haeberlein SB, et al. NIA–AA Research Framework: Toward a biological definition of Alzheimer’s disease. Alzheimers Dement. 2018;14(4):535–62. doi:10.1016/j.jalz.2018.02.018.
3. Dennis EL, Thompson PM. Functional connectivity in neurodegenerative disorders: Alzheimer’s disease and frontotemporal dementia. Cell Mol Life Sci. 2019;76(3):467–81. doi:10.1007/s00018-018-2941-0.
4. Biswal BB, Mennes M, Zuo XN, Gohel S, Kelly C, Smith SM, et al. Toward discovery science of human brain function. Proc Natl Acad Sci U S A. 2019;116(52):26155–62. doi:10.1073/pnas.1914630116.
5. Spetsieris PG, Ko JH, Tang CC, Nazem A, Dhawan V, Eidelberg D. Metabolic resting-state brain networks in health and disease. Proc Natl Acad Sci U S A. 2021;118(52):e2102886118. doi:10.1073/pnas.2102886118.
6. Zhang D, Shen D. Multi-modal multi-task learning for joint prediction of Alzheimer’s disease diagnosis and mild cognitive impairment conversion. Neuroimage. 2020;221:117090. doi:10.1016/j.neuroimage.2020.117090.
7. Li H, Habes M, Wolk DA, Fan Y. A deep learning model for early prediction of Alzheimer’s disease dementia based on hippocampal magnetic resonance imaging data. Alzheimers Dement. 2020;16(8):1236–47. doi:10.1002/alz.12110.
8. Chiesa PA, Cavedo E, Grothe MJ, Colliot O, Lista S, Potier MC, et al. Application of the European ADNI MR imaging harmonization protocol to the ADNI-3 dataset. Alzheimers Dement. 2020;16(7):1164–73. doi:10.1002/alz.12086.
9. Petersen RC, Lopez O, Armstrong MJ, Getchius T, Ganguli M, Gloss D, et al. Practice guideline update summary: Mild cognitive impairment. Neurology. 2018;90(3):126–35. doi:10.1212/WNL.0000000000004826.
10. Li Y, Yao Z, Zhang H, Hu B, for the Alzheimer’s Disease Neuroimaging Initiative. Prediction of conversion from mild cognitive impairment to Alzheimer’s disease using resting-state functional connectivity: A systematic review. Hum Brain Mapp. 2020;41(17):5003–23. doi:10.1002/hbm.25179.
11. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. doi:10.1136/bmj.n71.
12. Sutton A, Higgins JPT. Systematic reviews of diagnostic test accuracy: methods and challenges. Semin Nucl Med. 2021;51(2):102–14. doi:10.1053/j.semnuclmed.2020.10.004.
13. Chaimani A, Caldwell DM, Li T, Higgins JPT, Salanti G. Undertaking network meta-analyses. Cochrane Handbook. 2020;11:285–320.
14. Whiting PF, Rutjes AW, Westwood ME, Mallett S, Deeks JJ, Reitsma JB, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155(8):529–36. doi:10.7326/0003-4819-155-8-201110180-00009.
15. McGrath S, Zhao X, Steele R, Thombs BD, Benedetti A. Estimating the sample mean and standard deviation from commonly reported quantiles in meta-analysis. Stat Methods Med Res. 2020;29(9):2520–37. doi:10.1177/0962280220930545.
16. Guyatt GH, Oxman AD, Vist GE, Kunz R, Falck-Ytter Y, Alonso-Coello P, Schünemann HJ. GRADE: An emerging consensus on rating quality of evidence and strength of recommendations. BMJ. 2008;336(7650):924–6. doi:10.1136/bmj.39489.470347.AD.
17. Moher D, Liberati A, Tetzlaff J, Altman DG. Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. BMJ. 2009;339:b2535. doi:10.1136/bmj.b2535.
18. Zhang D, Shen D. Multi-modal graph convolutional networks for early detection of Alzheimer’s disease. Neuroimage. 2020;221:117090. doi:10.1016/j.neuroimage.2020.117090.
19. Battineni G, Sagaro GG, Chintalapudi N, Amenta F. Applications of machine learning in neuroimaging for early diagnosis of Alzheimer’s disease. Brain Sci. 2021;11(3):334. doi:10.3390/brainsci11030334.
20. Li X, Liu M, Zhang L, Zhao Y, Yao L, Zhu J, et al. Multimodal MRI fusion for early identification of mild cognitive impairment using DTI and fMRI. Front Aging Neurosci. 2022;14:894013. doi:10.3389/fnagi.2022.894013.
21. Sener S, Cinar A, Karahanoglu FI. Early detection of mild cognitive impairment using vision transformer models applied to resting-state fMRI. Comput Methods Programs Biomed. 2023;232:107447. doi:10.1016/j.cmpb.2023.107447.
22. Wang S, Chen X, Shen T, Chen L, Liu M. Diagnostic performance of fMRI-based radiomics in Alzheimer’s disease: A meta-analysis. Eur Radiol. 2023;33(5):3173–85. doi:10.1007/s00330-022-09047-0.
23. Zhao K, Luo C, Li J, Zhou J, Li S. Deep learning analysis of resting-state fMRI for early Alzheimer’s disease detection. Magn Reson Imaging. 2023;101:42–50. doi:10.1016/j.mri.2023.03.009.
24. Lu X, Zhang Y, Chen H, Li J. Combining resting-state fMRI with cognitive performance for early detection of Alzheimer’s disease. Front Neurosci. 2024;18:1324791. doi:10.3389/fnins.2024.1324791.
25. Bonarota R, Marini F, D’Angelo E, Cavedo E. Standardizing segmentation and preprocessing pipelines for Alzheimer’s neuroimaging research. Neuroimage Clin. 2024;41:103273. doi:10.1016/j.nicl.2024.103273.
26. Sener S, Cinar A. Slice-based attention networks improve early MCI detection from rs-fMRI. J Neural Eng. 2024;21(3):036021. doi:10.1088/1741-2552/ad3a51.
27. Li T, Zhu W, He Y, Yao Z. Multi-center resting-state fMRI harmonization for Alzheimer’s disease prediction. Neuroinformatics. 2024;22(2):345–59. doi:10.1007/s12021-023-09658-3.
28. Chen H, Liu Y, Wang Y, Zhou J. Graph neural network model for mild cognitive impairment and Alzheimer’s disease classification using rs-fMRI. Front Aging Neurosci. 2025;17:1382042. doi:10.3389/fnagi.2025.1382042.
29. Bonarota R, D’Angelo E, Marini F. Advances in multimodal MRI integration for Alzheimer’s research: methodological perspectives. Alzheimers Dement. 2025;21(1):44–53. doi:10.1002/alz.13789.
30. Dennis EL, Thompson PM. Mapping connectivity alterations in Alzheimer’s disease using fMRI. Trends Neurosci. 2023;46(2):124–38. doi:10.1016/j.tins.2022.10.007.
31. Kim H, Yoo S, Kim DJ. Graph-based deep learning approaches for Alzheimer’s disease diagnosis using neuroimaging data: A review. J Magn Reson Imaging. 2024;59(2):381–95. doi:10.1002/jmri.28991.
32. Jiang J, Kang L, Ma S, Zhang W. Functional disconnection of default mode network in Alzheimer’s disease: a meta-analytic review. Neurosci Biobehav Rev. 2023;149:105173. doi:10.1016/j.neubiorev.2023.105173.
33. Müller M, Haller S, Giannakopoulos P. Variability in fMRI preprocessing and its impact on Alzheimer’s biomarker discovery. Front Neurol. 2023;14:1210453. doi:10.3389/fneur.2023.1210453.
34. Guyatt GH, Oxman AD, Kunz R, Vist GE, Falck-Ytter Y, Schünemann HJ. Rating quality of evidence and strength of recommendations: GRADE framework. BMJ. 2022;376:e070515. doi:10.1136/bmj-2021-070515.
35. Singh A, D’Cunha NM, Ghosh A, Coxon JP. Artificial intelligence in Alzheimer’s disease neuroimaging: current status and future perspectives. Ageing Res Rev. 2025;96:102218. doi:10.1016/j.arr.2025.102218.
