metricas

Revista Médica Clínica Las Condes

Sugerencias
Revista Médica Clínica Las Condes Inteligencia artificial en diagnóstico displasia cortical focal: desentrañando...
Información de la revista
Vol. 37. Núm. 1.
Tema central: Actualización en Epilepsia
Páginas 5-126 (Enero - Febrero 2026)
Cita
Cita
Compartir
Descargar PDF
Más opciones de artículo
Visitas
763
Vol. 37. Núm. 1.
Tema central: Actualización en Epilepsia
Páginas 5-126 (Enero - Febrero 2026)
REVISIÓN/REVIEW
Acceso a texto completo

Inteligencia artificial en diagnóstico displasia cortical focal: desentrañando la caja negra del diagnóstico en resonancia magnética

Artificial Intelligence in the diagnosis of focal cortical dysplasia: Opening the black box of MRI-based detection
Visitas
763
Marcelo Gálvez Moyaa,b,
Autor para correspondencia
mgalvez@clinicalascondes.cl

Autor para correspondencia.
, Evelyng Faure Lobosa,b
a Departamento de Radiología, Clínica Las Condes, Santiago, Chile
b Facultad de Medicina, Universidad Finis Terrae, Santiago, Chile
Este artículo ha recibido
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (5)
fig0005
fig0010
fig0015
fig0020
fig0025
Resumen
Introducción

La displasia cortical focal (FCD) es una de las principales causas de epilepsia farmacorresistente. Su detección en resonancia magnética (RM) continúa siendo un reto debido a lo sutil de los hallazgos. La inteligencia artificial (IA) ha emergido como herramienta complementaria al neurorradiólogo y equipo de epilepsia, capaz de identificar patrones morfológicos y de señal imperceptibles al ojo humano.

Objetivo

Revisar, desde la perspectiva del radiólogo, qué “ve” la inteligencia artificial en la displasia cortical focal y cómo cuantifica hallazgos en RM estructural, describiendo parámetros morfométricos, herramientas de interpretabilidad, rendimiento, limitaciones y aplicaciones clínicas en protocolos de epilepsia y planificación quirúrgica.

Métodos

Se revisaron publicaciones recientes, bases de datos abiertas y proyectos multicéntricos (MELD, multicenter DL validation, datasets pediátricos) enfocados en la detección de FCD mediante algoritmos de machine learning y deep learning aplicados a RM estructural (T1, FLAIR). Se describieron las principales métricas de rendimiento, técnicas de interpretabilidad y características morfológicas utilizadas.

Resultados

Los algoritmos de IA alcanzan una sensibilidad comparable a la de neurorradiólogos expertos (73-81%), con mayor rendimiento cuando se combinan ambas evaluaciones (hasta 87%). Los modelos identifican hallazgos clásicos (engrosamiento cortical, borramiento de la unión SG-SB, hiperintensidad FLAIR) y cuantifican alteraciones morfométricas (espesor cortical, curvaturas H y K). Herramientas de interpretabilidad como Grad-CAM y mapas de relevancia permiten “abrir la caja negra” de la predicción. Persisten falsos positivos, especialmente en cohortes multicéntricas.

Conclusiones

La IA complementa el análisis visual de la RM, convirtiéndolo en un proceso semicuantitativo y reproducible. Su integración en protocolos de epilepsia podría mejorar la detección de FCD, optimizar la planificación quirúrgica y contribuir al diagnóstico integrado propuesto por la ILAE 2022.

Palabras clave:
Epilepsia
Displasia cortical focal
Resonancia magnética
Inteligencia artificial
Aprendizaje profundo
Abstract
Introduction

Focal cortical dysplasia (FCD) is one of the main causes of drug-resistant epilepsy. Its detection on magnetic resonance imaging (MRI) remains challenging due to subtle structural abnormalities. Artificial intelligence (AI) has emerged as a complementary tool for neuroradiologists, capable of identifying morphological and signal patterns imperceptible to the human eye.

Objective

To review, from a radiologist's perspective, what artificial intelligence “sees” in focal cortical dysplasia and how it quantifies findings on structural MRI, describing morphometric parameters, interpretability tools, performance, limitations, and clinical applications in epilepsy imaging protocols and surgical planning.

Methods

We reviewed recent publications, open datasets, and multicenter projects (MELD, multicenter DL validation, pediatric cohorts) focused on FCD detection using machine learning and deep learning algorithms applied to structural MRI (T1, FLAIR). We described the main performance metrics, interpretability techniques, and morphological features explored.

Results

AI algorithms achieve a sensitivity comparable to that of expert neuroradiologists (73-81%), with higher performance when both evaluations are combined (up to 87%).

Models identify classical findings (cortical thickening, blurring of the gray-white matter junction, FLAIR hyperintensity) and quantify morphometric alterations (cortical thickness, H and K curvatures). Interpretability tools such as Grad-CAM and saliency maps help to “open the black box” of prediction. False positives remain, especially in multicenter cohorts.

Conclusions

AI complements visual MRI analysis, transforming it into a semiquantitative and reproducible process. Its integration into epilepsy protocols could improve FCD detection, optimize surgical planning, and contribute to the integrated diagnosis proposed by the ILAE 2022.

Keywords:
Epilepsy
Focal cortical dysplasia
Magnetic resonance imaging
Artificial intelligence
Deep learning
Texto completo
Introducción

La displasia cortical focal (FCD) es una de las principales causas de epilepsia farmacorresistente, con hallazgos de imagen muchas veces sutiles o incluso no visibles en la RM convencional1. La semiología radiológica clásica incluye el engrosamiento cortical, la pérdida de diferenciación entre sustancia gris y blanca (unión SG-SB) y la hiperintensidad subcortical en FLAIR, pero una proporción relevante de pacientes continúa informándose como “RM negativa”1,2.

En respuesta a estas limitaciones, la ILAE 2022 (International League Against Epilepsy, 2022) actualizó la clasificación de las FCD, promoviendo un diagnóstico integrado que combine fenotipo de imagen, histopatología y genética3. Esto abre el espacio para nuevas herramientas que cuantifiquen lo que hasta ahora dependía de la experiencia del observador.

La inteligencia artificial (IA) ha emergido como un soporte clínico prometedor.

Metaanálisis recientes muestran que los algoritmos de IA logran sensibilidades del 73-81% y especificidades de 66-92%, y que su mayor valor aparece cuando se combina con la lectura del especialista4. En validaciones multicéntricas, la sensibilidad alcanzó 93% en FCD visibles y 85% en casos “RM-negativos”2.

A diferencia del neurorradiólogo, cuya evaluación del contraste es cualitativa y dependiente de la percepción visual, los algoritmos de inteligencia artificial cuantifican el contraste mediante diferencias relativas de intensidad de señal (expresadas como valores normalizados, z-scores o probabilidades), lo que permite detectar variaciones sutiles de bajo contraste que pueden pasar inadvertidas al ojo humano.

Más allá de reproducir los signos clásicos, la IA mide espesor cortical, contraste SG-SB, intensidad de señal en FLAIR y curvaturas corticales (H y K), pasando de lo cualitativo a lo semicuantitativo y reproducible5. Proyectos como MELD han demostrado la utilidad de integrar estos parámetros en mapas de relevancia (saliency maps), que orientan la atención hacia regiones sospechosas6–8.

El presente artículo revisa, desde la perspectiva del radiólogo, qué “ve” la IA en FCD y cómo cuantifica los hallazgos en RM estructural, siguiendo la lógica de los reportes MELD, para discutir su rendimiento, limitaciones y aplicaciones en la planificación quirúrgica3,9.

Metodología

Metodología de la búsqueda: se realizó una revisión narrativa de la literatura sobre inteligencia artificial aplicada a la detección de displasia cortical focal en RM. La búsqueda se efectuó en las bases de datos PubMed/MEDLINE, Embase, Scopus y Web of Science, además de la revisión dirigida de repositorios/datasets abiertos y proyectos multicéntricos relevantes (p. ej., MELD y datasets de FCD tipo II).

Estrategia de búsqueda: se combinaron términos controlados y libres, incluyendo:

(“focal cortical dysplasia” OR FCD) AND (“magnetic resonance imaging” OR MRI OR T1 OR FLAIR) AND (“artificial intelligence” OR machine learning OR deep learning OR convolutional neural network OR CNN) AND (detection OR segmentation OR interpretability OR Grad-CAM OR saliency).

Rango temporal: se priorizaron estudios publicados entre 2010 y 2025.

Criterios de inclusión: estudios en humanos, orientados a detección/segmentación de FCD con RM estructural; validación interna o externa; reporte de métricas (sensibilidad/especificidad/AUC) y/o técnicas de interpretabilidad. Se incluyeron revisiones sistemáticas/metaanálisis y reportes de consorcios multicéntricos.

Criterios de exclusión: reportes sin RM estructural, sin métricas de rendimiento, series muy pequeñas sin metodología reproducible, o estudios no aplicables a FCD.

Selección y síntesis: los artículos fueron evaluados por título/resumen y luego texto completo; la evidencia se sintetizó en torno a (1) desempeño diagnóstico, (2) variables morfométricas/FLAIR utilizadas, (3) interpretabilidad (saliency/Grad-CAM) y (4) limitaciones (falsos positivos, heterogeneidad multicéntrica, necesidad de validación prospectiva).

Resultados/Desarrollo

En los modelos derivados del proyecto MELD y en otros algoritmos de detección de FCD, las características anatómicas y de señal se transforman en métricas cuantitativas, que convierten lo cualitativo en un análisis semicuantitativo y estandarizado6,7.

A continuación, se describen los principales parámetros, siguiendo la secuencia MELD:

1. Contraste sustancia gris-sustancia blanca (grey-white matter contrast)

En condiciones normales, la RM ponderada en T1 muestra un límite nítido entre la sustancia gris (SG) y la sustancia blanca (SB), reflejo de su distinta composición celular y contenido en mielina. En la FCD, este borde aparece difuso o borrado, fenómeno atribuido a la dislaminación cortical y a la invasión de neuronas anómalas hacia la SB1.

  • •

    IA: cuantifica numéricamente la diferencia de intensidades entre SG y SB, generando un valor objetivo de contraste. Esta medida permite detectar pérdidas muy sutiles, a menudo imperceptibles a la inspección visual10.

  • •

    Ejemplo clínico: un radiólogo puede describir el “borramiento” en la unión SG-SB, pero el algoritmo lo traduce en una disminución significativa del índice de contraste. Así, incluso una FCD aparentemente “RM negativa” puede ser detectada por la IA si el contraste está reducido más de 2 desviaciones estándar respecto de controles.

2. Espesor cortical (cortical thickness)

El espesor normal de la corteza cerebral varía entre 2,5 y 4,5mm según la región (más delgada en occipital, más gruesa en áreas motoras). En la FCD, se observa un engrosamiento irregular o focal, producto de la acumulación de neuronas displásicas y alteraciones en la migración1.

  • •

    IA: calcula el grosor cortical en cada punto de la superficie cerebral, utilizando modelos de segmentación automatizada. Esto permite detectar diferencias de tan solo décimas de milímetro, muy difíciles de percibir para el ojo humano11.

  • •

    Ejemplo clínico: un radiólogo puede sospechar que la corteza frontal está “más gruesa”, pero la IA puede mostrar un valor de 5,1mm, confirmando el engrosamiento focal y permitiendo compararlo con la corteza contralateral (asimetría).

3. Profundidad de los surcos (sulcal depth)

Los surcos corticales reflejan el plegamiento cerebral durante el desarrollo. En la FCD, algunos surcos terminan de forma abrupta o son anormalmente poco profundos, lo que refleja errores en la organización cortical1.

  • •

    IA: mide la profundidad relativa de cada surco respecto a la superficie circundante.

    Esto permite detectar terminaciones anómalas o surcos de trayecto irregular que en ocasiones son hallazgos clave de la FCD8.

  • •

    Ejemplo clínico: en un paciente con epilepsia frontal, un surco puede “cortar” su trayecto sin alcanzar la profundidad habitual. El algoritmo lo cuantifica, evidenciando un sulco poco desarrollado en comparación con el contralateral.

4. Intensidad FLAIR en sustancia blanca (white matter FLAIR, 1mm)

El análisis de la sustancia blanca inmediatamente adyacente a la corteza, en una franja estándar de 1mm de espesor, es fundamental para identificar el signo transmantle: una banda hiperintensa en FLAIR que conecta la corteza displásica con el ventrículo1.

  • •

    IA: evalúa de manera sistemática esta franja en toda la corteza, lo que permite identificar focos de hiperintensidad discretos que el radiólogo podría pasar por alto12.

  • •

    Ejemplo clínico: en un paciente con FCD tipo IIB, el algoritmo puede detectar un incremento focal de señal en la franja subcortical de 1mm, que corresponde al inicio del transmantle.

5. Intensidad FLAIR en sustancia gris (gray matter FLAIR, 50%)

Este análisis se centra en la mitad profunda de la corteza (50% interno de su espesor). Se evita así la influencia de artefactos superficiales (meninges, LCR) y se explora la región cortical que suele estar más afectada en la FCD13.

  • •

    IA: calcula la señal FLAIR en esta zona específica y la compara con la corteza contralateral o con controles normales. Alteraciones discretas de hiperintensidad cortical pueden ser objetivadas y cuantificadas. La IA no identifica aumentos absolutos de intensidad, sino patrones espaciales anómalos de señal, incluyendo hiperintensidad FLAIR cortical/subcortical discreta, pérdida gradual del gradiente SG–SB y heterogeneidad intragiral, imperceptibles para la evaluación visual convencional2.

  • •

    Ejemplo clínico: un radiólogo puede observar que una circunvolución parece levemente brillante en FLAIR, pero la IA muestra un Z-score de +2,3, confirmando hiperintensidad patológica en la mitad profunda de la corteza.

6. Morfología cortical y curvaturas

La corteza cerebral humana posee una superficie estimada de aproximadamente 2 000cm2 cuando se despliega en plano5. Dado que debe alojarse en el espacio limitado del cráneo, se pliega en circunvoluciones (giros) y surcos (sulci), reduciendo su superficie hasta un tercio del total, alcanzando aproximadamente 600–700cm2, este plegamiento no es aleatorio: resulta de la interacción de procesos de neurogénesis, migración y organización neuronal, que generan patrones altamente reproducibles en condiciones normales (Figura 1).

Figura 1.

Formación y curvatura normal de los giros corticales.

Imagen de sección de corteza cerebral normal con borde superficial (A-B) y unión córtico subcortical bien definida (D-E). El giro normal, tiene curvatura en dos planos (A-B) y (A-C).

Las neuronas se localizan a nivel de las capas II y IV. Curvas H y K normales. Figura creada por los autores.

En la displasia cortical focal (FCD), alteraciones en estos procesos -como una corteza más gruesa por proliferación celular anómala (p. ej. FCD tipo IIB) o una arquitectura irregular por fallas de migración- conducen a un plegamiento anormal. Estas modificaciones se expresan en la geometría cortical y pueden cuantificarse mediante parámetros de curvatura6,7.

Las principales curvaturas utilizadas en el análisis morfométrico son la curvatura media (H) y la curvatura intrínseca (K), que describen de forma complementaria la forma y la geometría interna de la superficie cortical.

Los algoritmos de inteligencia artificial aprovechan estas métricas para objetivar las alteraciones del plegamiento, traduciendo en valores numéricos lo que el radiólogo percibe de forma cualitativa como giros engrosados, surcos truncados o arquitectura cortical irregular.

6a. Curvatura media (mean curvature)

La curvatura media corresponde al promedio de las dos curvaturas principales en cada punto de la superficie cortical5. Mide la deformación de un giro o surco, observándose alterada especialmente en el borde del surco (Figura 2).

  • •

    IA: traduce en valores numéricos lo que el radiólogo describe de forma subjetiva como “giros engrosados” o “mal definidos”6,7. Esto permite objetivar diferencias pequeñas pero significativas en el plegamiento cortical.

  • •

    Analogía geométrica:

    • -

      Una pelota lisa (curvatura media suave y homogénea).

    • -

      Una superficie arrugada (curvatura media irregular y variable).

Figura 2.

Displasia cortical tipo IIB con alteración de la curvatura media (H).

Imagen de sección de corteza cerebral en paciente con displasia cortical IIB. (A-B). Unión córtico subcortical mal definida (D-E). El giro anormal, tiene curvatura en un plano (A-B) y aplanada en el otro plano (A-C).

Presencia de neuronas dismórficas, de morfología irregular (neuronas displásicas), con pérdida del eje y célula balonada. Curvatura media disminuida (H disminuida).

Figura creada por los autores.

En FCD, los algoritmos suelen detectar aumentos o irregularidades locales en la curvatura media, coincidiendo con giros anormales en la inspección visual.

  • •

    Ejemplo clínico: en pacientes con epilepsia refractaria por FCD, el análisis de curvatura media muestra que las áreas afectadas presentan valores significativamente distintos de las regiones homólogas contralaterales, incluso cuando la RM convencional es reportada como “normal”.

6b. Curvatura intrínseca (intrinsic curvature)

La curvatura intrínseca describe cómo se deforma la superficie cortical en un punto, de manera independiente a cómo esté embebida en el espacio tridimensional5. En términos matemáticos, refleja la geometría interna de la superficie, sin referencia al espacio externo (Figura 3).

  • •

    IA: en FCD, la IA detecta que algunos giros presentan valores de curvatura intrínseca anómalos, reflejo de alteraciones en la migración y organización neuronal6. Por ejemplo, circunvoluciones que deberían plegarse suavemente muestran irregularidades locales que la máquina traduce en desviaciones significativas respecto al patrón normal.

  • •

    Analogía geométrica:

    • -

      Un plano tiene curvatura intrínseca=0.

    • -

      Un cilindro tiene curvatura en una dirección pero no en la otra → curvatura intrínseca=0.

    • -

      Una esfera tiene curvatura intrínseca positiva en todas direcciones. En FCD, la superficie cortical puede comportarse como una esfera deformada o un valle irregular, alterando su geometría local.

  • •

    Ejemplo clínico: en un paciente con FCD tipo IIB, los algoritmos han mostrado que los giros cercanos a la lesión presentan curvaturas intrínsecas anormalmente elevadas, lo que se correlaciona con la histología de células displásicas y balonadas que engrosan la corteza y deforman su arquitectura6.

Figura 3.

Displasia cortical tipo IIB con alteración de la curvatura intrínseca (K)

Imagen de sección de corteza cerebral en paciente con displasia cortical IIB. (A-B). Unión córtico subcortical mal definida (D-E). El giro anormal, tiene pérdida de la curvatura (A-B) y (A-C).

Presencia de neuronas dismórficas, de morfología irregular (neuronas displásicas), con pérdida del eje y célula balonada. Curvatura intrínseca disminuida (K disminuida)

Figura creada por los autores.

7. Integración de parámetros y mapas de relevancia (saliency maps)

Uno de los mayores avances de la inteligencia artificial en el diagnóstico de displasias corticales focales es la capacidad de integrar múltiples parámetros morfológicos y de señal en una sola representación visual. A diferencia de la interpretación humana, que tiende a basarse en un hallazgo predominante (ej. engrosamiento cortical), los algoritmos modernos suman, ponderan y cruzan distintas métricas para aumentar la sensibilidad6,7.

La inteligencia artificial no analiza cada parámetro de forma aislada, sino que integra simultáneamente múltiples características morfológicas y de señal —como espesor cortical, intensidad FLAIR, borramiento de la unión sustancia gris–blanca, curvatura y textura— para el reconocimiento de patrones complejos en la imagen de resonancia magnética (Figura 4). Esta integración permite a los modelos identificar configuraciones espaciales anómalas que, de manera individual, podrían no alcanzar un umbral diagnóstico en la evaluación visual convencional (Figura 5).

Figura 4.

Detección superficial de displasia cortical focal mediante algoritmo MELD

Imagen generada por los autores a partir de RM prequirúrgica de paciente con sospecha de displasia cortical. Basado en Spitzer H, et al. Interpretable surface-based detection of focal cortical dysplasias: a MELD study. Brain. 2022;145(6):1855–1869.

Ejemplo de imagen del algoritmo MELD de detección superficial de displasia cortical focal (FCD) en RM prequirúrgica. Izquierda: corte sagital T1-ponderado con superposición del clúster candidato (rojo) y cruces de referencia (x=-34mm, espacio MNI). Derecha: reconstrucciones de la superficie cortical del hemisferio izquierdo (vistas lateral y medial) con uno de los 13 clústeres candidatos proyectados (cada color, un clúster). El caso se identifica de forma anonimizada (MELD_H103_3T_FCD_0067).

Figura 5.

Perfil morfométrico y de señal FLAIR en la región displásica

Características de los hallazgos encontrados por MELD en paciente de la Figura 1.

Perfil de anormalidades morfométricas y de señal FLAIR en el clúster lesionado. Se muestran las distribuciones de puntajes Z para cada característica extraída de la superficie cortical (contraste sustancia gris-blanca, grosor cortical, profundidad surcal, curvatura intrínseca y curvatura media) y de la intensidad FLAIR muestreada en sustancia blanca (1mm) y en sustancia gris (50% del espesor). Se comparan tres estrategias de preprocesamiento: armonización entre centros con ComBat, normalización global y asimetría interhemisférica (leyenda superior). El color indica la “saliency” del clasificador (barra lateral), es decir, la contribución relativa de cada característica a la predicción: tonos magenta, mayor importancia; tonos verdes, menor. En conjunto, las tres estrategias muestran el patrón típico de FCD, con incremento del grosor cortical y de la señal FLAIR en corteza, junto con reducción del contraste gris-blanco, mientras que las métricas de curvatura y profundidad surcal aportan información adicional de menor peso.

Métodos de integración

  • •

    ComBat harmonisation: técnica estadística que corrige las variaciones sistemáticas introducidas por diferentes centros o escáneres de RM. De esta manera, se asegura que las diferencias detectadas correspondan a alteraciones patológicas reales y no a artefactos técnicos8.

  • •

    Normalización: cada medida (espesor cortical, intensidad FLAIR, curvatura) se compara con una base de datos de controles sanos, generando un valor relativo estandarizado. Esto permite decir, por ejemplo, que una circunvolución es un 20% más gruesa de lo esperado para esa región10.

  • •

    Asimetría hemisférica: muchas FCD son muy sutiles, pero afectan un hemisferio de forma focal. Comparar el hemisferio enfermo con el contralateral del mismo paciente se ha mostrado como uno de los recursos más potentes para resaltar diferencias discretas12.

Expresión en Z-scores

Todos los parámetros se transforman en Z-scores, que indican cuántas desviaciones estándar se aleja un valor del promedio poblacional o del hemisferio contralateral.

  • •

    Z-score positivo: valores más altos de lo esperado (ej. mayor espesor cortical, hiperintensidad FLAIR).

  • •

    Z-score negativo: valores más bajos de lo esperado (ej. menor contraste SG-SB).

    En la práctica clínica y en la mayoría de los estudios, un valor superior a---2 desviaciones estándar se considera como anormal y un posible marcador de lesión14.

Visualización: los mapas de relevancia

La integración de los distintos Z-scores se muestra en un mapa de relevancia (saliency map), que asigna un color o un valor numérico a cada punto de la superficie cortical.

  • •

    En los reportes MELD, la escala cromática va de verde (baja relevancia) a morado (alta relevancia)6.

  • •

    En otras implementaciones, los valores numéricos oscilan entre −0,1 y +0,1, representando la ponderación final del algoritmo para cada punto7.

Ejemplo clínico

En la práctica, estos mapas de relevancia suelen superponerse sobre regiones que pueden corresponder a displasias corticales focales, mostrando una concordancia anatómica con hallazgos como hiperintensidad FLAIR discreta, engrosamiento cortical o alteración de la arquitectura giral. De este modo, los mapas interpretables actúan como una “guía visual” para el radiólogo, facilitando la correlación entre la predicción de la IA y los hallazgos estructurales en RM, y reduciendo la percepción de la IA como una “caja negra”.

Si un paciente con epilepsia frontal presenta:

  • •

    Z=+1,8 en espesor cortical (engrosamiento leve),

  • •

    Z=--2,1 en contraste SG-SB (borramiento),

  • •

    Z=+2,3 en intensidad FLAIR subcortical (hiperintensidad).

Cada valor aislado podría interpretarse como dudoso, pero al integrarse en el mapa de relevancia, el algoritmo otorga un puntaje elevado a esa región. Esto dirige de inmediato la atención del radiólogo hacia el área sospechosa, incrementando la probabilidad de detección.

Hallazgos con mayor peso en relevancia

De acuerdo con los estudios MELD y sus validaciones multicéntricas, los parámetros que más consistentemente generan alta relevancia son:

  • •

    Engrosamiento cortical focal, especialmente cuando se asocia a alteraciones sulcales.

  • •

    Pérdida de contraste SG-SB, considerado uno de los predictores más robustos de FCD6.

  • •

    Hiperintensidad FLAIR subcortical en la franja de 1mm, a menudo coincidente con el signo transmantle7.

  • •

    Curvaturas anómalas (intrínseca y media), particularmente en FCD tipo IIB, donde los giros aparecen ensanchados o terminan en forma irregular6,7.

Discusión

Sin la asistencia de herramientas automáticas, el rendimiento diagnóstico de los radiólogos en la detección de displasias corticales focales continúa siendo limitado, con sensibilidades reportadas entre 50–68%, dependientes tanto de la experiencia del observador como del uso de protocolos dedicados de resonancia magnética1,9,15. En este contexto, hasta un 40% de las displasias corticales focales tipo II pueden pasar inadvertidas en estudios convencionales1,15 principalmente debido a la naturaleza sutil de sus hallazgos, como la pérdida discreta de la diferenciación sustancia gris–blanca y el engrosamiento cortical leve. Esta limitación es aún más evidente en las displasias tipo I, en particular las subtipo IA, que suelen ser prácticamente invisibles en la resonancia magnética convencional al presentar únicamente alteraciones microscópicas de la laminación cortical, sin cambios evidentes de señal ni de espesor3,9.

En contraste con estas limitaciones del análisis visual, los algoritmos de inteligencia artificial han demostrado un rendimiento diagnóstico superior, alcanzando sensibilidades entre 73–93% y especificidades de 66–92% en distintos estudios3,4,9. Su mayor valor clínico se observa cuando la evaluación automatizada se combina con la interpretación del radiólogo, estrategia que permite incrementar la sensibilidad global hasta aproximadamente un 87% 4, reforzando el concepto de la IA como una herramienta complementaria y no sustitutiva del juicio clínico.

Desde el punto de vista del análisis de imagen, la inteligencia artificial no sólo replica la evaluación de parámetros clásicos utilizados por el radiólogo —como la diferenciación sustancia gris–blanca, el espesor cortical y la intensidad de señal en FLAIR— sino que además incorpora mediciones morfométricas avanzadas, incluyendo curvaturas corticales media (H) y gaussiana (K)5,6. A ello se suma el desarrollo de técnicas de interpretabilidad, como los mapas de relevancia y Grad-CAM, que permiten visualizar las regiones que más contribuyen a la decisión del modelo, acercando la predicción algorítmica a la práctica clínica diaria y facilitando su comprensión por parte del equipo médico11,15.

No obstante, persisten limitaciones relevantes. Los falsos positivos continúan siendo un desafío, particularmente en cohortes multicéntricas como las del proyecto MELD, donde la variabilidad anatómica y técnica es mayor6–8. Asimismo, la heterogeneidad de magnetos, secuencias y protocolos de adquisición entre centros plantea la necesidad de avanzar hacia una mayor estandarización de los estudios de resonancia magnética utilizados para el entrenamiento y validación de los algoritmos8. La heterogeneidad entre estudios no solo se relaciona con las secuencias empleadas, sino también con las técnicas de adquisición, el grosor de corte y el tipo de magneto utilizado (1.5 T versus 3 T), factores que influyen significativamente en el contraste de señal y representan un desafío relevante para la estandarización y generalización de los modelos de inteligencia artificial. A esto se suma que la mayoría de los modelos actuales han sido desarrollados y evaluados en forma retrospectiva, por lo que aún se requiere validación prospectiva antes de su implementación clínica generalizada9,16.

Mirando hacia el futuro, la integración multimodal emerge como un paso clave para potenciar el aporte de la inteligencia artificial en la epilepsia farmacorresistente. La combinación de información estructural con técnicas de difusión, perfusión y PET ha demostrado aumentar la sensibilidad diagnóstica de los modelos automatizados9,14. En este escenario, el concepto de diagnóstico integrado propuesto por la ILAE en su actualización 2022 refuerza la necesidad de correlacionar hallazgos de imagen con datos genéticos e histopatológicos3,17. En el ámbito quirúrgico, los mapas generados por IA ofrecen una herramienta adicional para delimitar el volumen de resección y relacionarlo con áreas elocuentes, contribuyendo potencialmente a mejorar la seguridad del procedimiento y los resultados postquirúrgicos7.

Conclusiones

La evidencia disponible sugiere que la inteligencia artificial aplicada a la resonancia magnética estructural podría contribuir significativamente a mejorar la detección de displasias corticales focales, particularmente en casos con hallazgos sutiles o inicialmente considerados MRI-negativos. Los modelos actuales permiten cuantificar alteraciones morfológicas y de intensidad de señal que complementan la evaluación visual del neurorradiólogo, incrementando la sensibilidad diagnóstica cuando ambas aproximaciones se integran.

Asimismo, las herramientas de interpretabilidad, como los mapas de relevancia, facilitan la comprensión de los procesos de decisión algorítmica y favorecen su incorporación progresiva en la práctica clínica, especialmente en el contexto de la planificación quirúrgica de la epilepsia farmacorresistente.

No obstante, dado que la mayor parte de la evidencia proviene de estudios retrospectivos y de validaciones multicéntricas en contextos de investigación, la implementación clínica generalizada de estas herramientas requiere validación prospectiva, estandarización de protocolos de imagen y una integración cuidadosa dentro de equipos multidisciplinarios. En este escenario, la inteligencia artificial representa una herramienta con alto potencial para apoyar al radiólogo y al equipo de epilepsia, más que un reemplazo de la interpretación clínica experta.

Declaración de conflictos de intereses

Los autores declaran no tener conflictos de interés relacionados con este manuscrito.

Financiamiento

Este trabajo no recibió financiamiento externo.

Agradecimientos

Agradecemos al ingeniero Gonzalo Rojas Costa por su colaboración en el procesamiento y análisis de imágenes.

Declaración de conflictos de interés:

Referencias Bibliográficas
[1]
M. Gálvez, G. Rojas, J. Cordovez, D. Ladrón de Guevara, M. Campos, I. López.
Displasias corticales como causa de epilepsia y sus representaciones en las imágenes.
Rev Chil Radiol, 15 Supl (2009), pp. s25-s38
[2]
R.S. Gill, H.M. Lee, B. Caldairou, S.J. Hong, C. Barba, F. Deleo, et al.
Multicenter Validation of a Deep Learning Detection Algorithm for Focal Cortical Dysplasia.
Neurology., 97 (2021 Oct 19), pp. e1571-e1582
[3]
I. Najm, D. Lal, M. Alonso Vanegas, F. Cendes, I. Lopes-Cendes, A. Palmini, et al.
The ILAE consensus classification of focal cortical dysplasia: An update proposed by an ad hoc task force of the ILAE diagnostic methods commission.
Epilepsia, 63 (2022 Aug), pp. 1899-1919
[4]
M. Dashtkoohi, D.J. Ghadimi, F. Moodi, N. Behrang, E. Khormali, H.M. Salari, et al.
Focal cortical dysplasia detection by artificial intelligence using MRI: A systematic review and meta-analysis.
Epilepsy Behav., 167 (2025 Jun), pp. 110403
[5]
L. Ronan, R. Pienaar, G. Williams, E. Bullmore, T.J. Crow, N. Roberts, et al.
Intrinsic curvature: a marker of millimeter-scale tangential cortico-cortical connectivity?.
Int J Neural Syst., 21 (2011 Oct), pp. 351-366
[6]
H. Spitzer, M. Ripart, K. Whitaker, F. D’Arco, K. Mankad, A.A. Chen, et al.
Interpretable surface-based detection of focal cortical dysplasias: a Multi-centre Epilepsy Lesion Detection study.
Brain., 145 (2022 Nov 21), pp. 3859-3871
[7]
K. Wagstyl, K. Whitaker, A. Raznahan, J. Seidlitz, P.E. Vértes, S. Foldes, et al.
Atlas of lesion locations and postsurgical seizure freedom in focal cortical dysplasia: A MELD study.
Epilepsia, 63 (2022 Jan), pp. 61-74
[8]
M. Ripart, H. Spitzer, L.Z.J. Williams, L. Walger, A. Chen, A. Napolitano, et al.
MELD FCD writing group. Detection of Epileptogenic Focal Cortical Dysplasia Using Graph Neural Networks: A MELD Study.
JAMA Neurol., 82 (2025 Feb 24), pp. 397-406
[9]
A. Goel, S. Seri, S. Agrawal, R. Kumar, A. Sudarsanam, B. Carr, et al.
The utility of Multicentre Epilepsy Lesion Detection (MELD) algorithm in identifying epileptic activity and predicting seizure freedom in MRI lesion-negative paediatric patients.
Epilepsy Res., 206 (2024 Oct), pp. 107429
[10]
F. Schuch, L. Walger, M. Schmitz, B. David, T. Bauer, A. Harms, et al.
An open presurgery MRI dataset of people with epilepsy and focal cortical dysplasia type II.
Sci Data., 10 (2023 Jul 20), pp. 475
[11]
L. Lasagni, M. Boccardi, et al.
Focal cortical dysplasia type II detection using cross- modality transfer learning and Grad-CAM in 3D-CNNs for MRI analysis.
In: Proc Mach Learn Health Conf. PMLR, http://dx.doi.org/10.48550/arXiv.2504.07775
[12]
A. Shankar, M.J. Saikia, S. Dandapat, S. Barma.
Focal cortical dysplasia (type II) detection with multi-modal MRI and a deep-learning framework.
Npj Imaging., 2 (2024 Sep 2), pp. 31
[13]
S. Zhang, Y. Zhuang, Y. Luo, F. Zhu, W. Zhao, H. Zeng.
Deep learning-based automated lesion segmentation on pediatric focal cortical dysplasia II preoperative MRI: a reliable approach.
Insights Imaging., 15 (2024 Mar 13), pp. 71
[14]
A. Mahmoudi, A. Alizadeh, Z. Ganji, H. Zare.
Recent advances in sMRI and artificial intelligence for presurgical planning in focal cortical dysplasia: A systematic review.
J Neuroradiol., 52 (2025 Sep), pp. 101359
[15]
M.M. Sepúlveda, G.M. Rojas, E. Faure, C.R. Pardo, F. Las Heras, C. Okuma, et al.
Visual analysis of automated segmentation in the diagnosis of focal cortical dysplasias with magnetic resonance imaging.
Epilepsy Behav., 102 (2020 Jan), pp. 106684
[16]
N. Sinha, K.A. Davis.
Mapping Epileptogenic Tissues in MRI-Negative Focal Epilepsy: Can Deep Learning Uncover Hidden Lesions?.
Neurology., 97 (2021 Oct 19), pp. 754-755
[17]
A. Agarwal, G. Bathla, N. Soni, A. Desai, E. Middlebrooks, V. Patel, et al.
Updates from the International League Against Epilepsy Classification of Epilepsy (2017) and Focal Cortical Dysplasias (2022): Imaging Phenotype and Genetic Characterization.
AJNR Am J Neuroradiol., 45 (2024 Aug 9), pp. 991-999
Descargar PDF
asdasdasd
Opciones de artículo
Herramientas