Objetivos: La presencia de patología por alfa-sinucleína (α-syn) en pacientes con enfermedad de Alzheimer (AD) empeora la progresión de la enfermedad y la respuesta al tratamiento. La técnica α-synuclein seed amplification assay (α-syn SAA) permite su detección in vivo con alta sensibilidad, aunque su disponibilidad es limitada. Los algoritmos de aprendizaje automático explicables (XAI) de inteligencia artificial podrían ayudar a identificar patrones estructurales asociados a copatología α-syn mediante resonancia magnética estructural (RMN), una herramienta ampliamente accesible.

Material y métodos: Se analizaron datos de 226 participantes del estudio ADNI: 142 con AD (A+T+) y 84 controles sanos (CTR, A−T−α-syn−). Los sujetos AD se subdividieron según su resultado en la α-syn SAA en ADα-syn+ (n = 44) y ADα-syn− (n = 98). Se usaron datos multimodales (biomarcadores en LCR, plasma y RMN) para entrenar los modelos XAI (random forest y XGBoost), complementados con análisis SHAP para interpretar la importancia de las variables en la clasificación AD vs. CTR y ADα-syn+ vs. ADα-syn−.

Resultados: Random forest logró una precisión del 99,4% en la clasificación AD vs. CTR y del 70,5% entre ADα-syn− y ADα-syn+. La p-tau en LCR fue el principal predictor en la clasificación AD vs. CTR. Los volúmenes de la amígdala bilateral, hipocampo izquierdo, pálido derecho y corteza entorrinal izquierda destacaron en la discriminación entre ADα-syn+ y ADα-syn−.

Conclusión: XAI aplicado a datos multimodales permite identificar patrones estructurales asociados con copatología α-syn en AD, ofreciendo un enfoque prometedor para la estratificación clínica y un mejor abordaje terapéutico.