Este estudio se centra en la predicción del sexo mediante algoritmos de aprendizaje automático (AA) utilizando datos del tronco encefálico obtenidos a partir de imágenes de resonancia magnética (RM) cerebral de una población adulta turca sana. En el estudio, se midieron el grosor del mesencéfalo (TMT), el grosor del puente (TP), el grosor de la médula (TM), el grosor de la médula espinal (TSC), la distancia mamilopontina (MPD), la altura del mesencéfalo (MBH), el ángulo pontomesencefálico (PMA), el diámetro sagital del tectum y el tegmento (TTSD) a partir de imágenes de RM cerebral de 200 mujeres y 200 hombres, y se midieron las variables diámetro transversal del tectum y el tegmento (TTTD), diámetro sagital del pedúnculo cerebral derecho (RPCSD), diámetro sagital del pedúnculo cerebral izquierdo (LPCSD), diámetro transversal del pedúnculo cerebral derecho (RPCTD) y diámetro transversal del pedúnculo cerebral izquierdo (LPCTD). Se utilizaron los algoritmos de aprendizaje automático (ML) de regresión logística (LRC), potenciación de gradiente (GBC), árbol de decisión (DTC), k- vecinos más cercanos (KNN), análisis discriminante lineal (LDA), bosque aleatorio (RFC), clasificadores bayesianos ingenuos (NBC) y XGBoost (XGB). RStudio se utilizó para el análisis estadístico. El algoritmo RFC mostró la mayor precisión (ACC) de 0,79 y una puntuación F1 de 0,79. Según el análisis de forma, el dimorfismo sexual múltiple (MPD) fue el factor que más contribuyó al rendimiento de los modelos de clasificación. Las variables con diferencias estadísticamente significativas entre sexos fueron TM, TSC, TTSD, RPCSD y RPCTD. El estudio demuestra que los algoritmos de ML pueden predecir el sexo con una precisión del 79 % a partir de datos del tronco encefálico. Este resultado muestra claramente el efecto del sexo en la morfometría del tronco encefálico.
PALABRAS CLAVE: Tronco encefálico; Morfología cerebral; Aprendizaje automático; Dimorfismo sexual; Resonancia magnética.
