Daniela Vila Cabello

La inteligencia artificial (IA) se ha consolidado como herramienta clave para el análisis avanzado de neuroimagen en enfermedades neurodegenerativas (END). Esta revisión sistemática reúne la evidencia reciente (2019–2025) sobre IA aplicada a resonancia magnética (MRI), tomografía por emisión de positrones (PET), tomografía de coherencia óptica (OCT) y electroencefalografía (EEG). Se realizó una búsqueda en PubMed, Scopus y Web of Science bajo PRISMA 2020. Se identificaron 1,243 estudios y 62 fueron incluidos tras evaluar criterios y calidad metodológica mediante Newcastle–Ottawa Scale, QUADAS-2 y PROBAST-AI. Los hallazgos muestran que, en Alzheimer y deterioro cognitivo leve, los modelos de deep learning basados en MRI y PET alcanzan AUC entre 0.90–0.94, facilitando la detección temprana y la predicción de conversión a demencia. En Parkinson, la IA logró precisiones superiores al 80 % para diferenciar la enfermedad idiopática de parkinsonismos atípicos y permitió identificar biomarcadores multimodales predictivos. En esclerosis múltiple, las redes neuronales convolucionales (CNN) y el análisis retiniano mostraron alta precisión para segmentar lesiones y estimar progresión y discapacidad. En esclerosis lateral amiotrófica, los modelos de machine learning superaron el rendimiento de predicción clínica tradicional. Persisten desafíos importantes: tamaños muestrales pequeños, heterogeneidad metodológica, falta de validación externa y escasa estandarización de protocolos e indicadores. En conjunto, la IA aplicada a neuroimagen representa una vía prometedora hacia un diagnóstico neurológico más temprano, preciso y personalizado; sin embargo, su adopción clínica requiere validaciones multicéntricas, protocolos reproducibles y marcos éticos robustos