Soporte a la clasificación diagnóstica del Parkinson a partir de hallazgos radiológicos y la valoración clínica desde un modelo de aprendizaje a gran escala.

Abstract

La enfermedad de Parkinson (EP) es la segunda enfermedad neurodegenerativa más común a nivel mundial, afectando aproximadamente a 11 millones de personas. Su diagnóstico se basa principalmente en la observación clínica de alteraciones motoras, lo que conduce a detecciones tardías y a un alto grado de subjetividad, con tasas de error reportadas cercanas al 30\%. En la actualidad, las neuroimágenes han sido incorporadas como herramientas complementarias al diagnóstico, permitiendo analizar cambios estructurales y funcionales del cerebro incluso en estadios tempranos. Sin embargo, su interpretación continúa siendo predominantemente observacional y presenta variabilidad en los hallazgos radiológicos, alcanzando diagnósticos erróneos en hasta el 25\% de los casos. Es por ello que en la literatura han emergido herramientas computacionales para el soporte diagnóstico usando la caracterización, modelamiento y aprendizaje de hallazgos radiológicos. Sin embargo, estos modelos suelen ser entrenados en entornos controlados, dedicados al modelamiento de patrones radiológicos y sin explotar la complementariedad con la información clínica. Este trabajo de grado implementó un modelo de aprendizaje a gran escala para la clasificación de patrones parkinsonianos usando información radiológica y clínica. En cuanto a la información radiológica se utilizó una representación desde un modelo fundacional SamMed3D, mapeando regiones asociadas al putamen, núcleo caudado, tálamo y tronco encefálico definidas mediante el atlas \textit{HarvardOxford sub maxprob thr25 1mm}. La información clínica fue codificada mediante una representación basada en ClinicalBERT. La integración de las dos modalidades fue lograda a partir de una arquitectura contrastiva supervisada que permite clasificar distintos estadios de la EP mediante la alineación de características extraídas de hallazgos radiológicos con representaciones derivadas de texto clínico asociado a evaluaciones demográficas y motoras/no motoras. Para la evaluación del trabajo propuesto, se utilizó una cohorte de 184 pacientes provenientes de la base de datos abierta Parkinson’s Progression Markers Initiative (PPMI). El enfoque propuesto alcanzó una precisión de 85\% y una puntuación macro-F1 de 83\% en la clasificación de estadios leve a moderado, superando enfoques basados exclusivamente en imágenes y evidenciando la ventaja de integrar información clínica y radiológica.