Prediction of cerebral white matter lesions using a multilayer perceptron applied to routine clinical data

Introducción: La detección de lesiones en la sustancia blanca cerebral se ve limitada por el acceso a resonancia magnética, lo que resalta la necesidad de modelos predictivos basados en datos clínicos accesibles. Objetivo: Desarrollar y comparar un modelo de predicción de lesiones en sustancia blanca cerebral mediante una red neuronal tipo perceptrón multicapa (MLP) entrenada con variables clínicas y bioquímicas de rutina. Materiales y método: Estudio de corte de una base de datos secundaria de 1904 participantes. Se incluyeron variables demográficas, clínicas y metabólicas como edad, presión arterial, glucosa, perfil lipídico e índice de masa corporal. El modelo MLP se configuró con una capa oculta de siete neuronas y funciones de activación tangente hiperbólica y softmax . Se aplicó retropropagación con entropía cruzada y división 70/30% para entrenamiento y prueba. Se comparó su desempeño con regresión logística binaria y Random Forest . Resultados: El modelo MLP alcanzó un área bajo la curva (AUC) de 0,789 y una exactitud del 70,3%, superando a la regresión logística (AUC = 0,709) y al Random Forest (AUC = 0,719). La sensibilidad y especificidad fueron 73,8% y 73,6%, respectivamente. El análisis de interpretabilidad con valores SHAP identificó la edad, el uso de antihipertensivos, la presión diastólica, la glucosa y el LDL como los predictores más influyentes. Conclusiones: El modelo de red neuronal mostró un rendimiento superior y mayor capacidad explicativa que los métodos clásicos, destacando la relevancia de los factores vasculares y metabólicos como moduladores del riesgo de lesión en la sustancia blanca cerebral. Introduction: The detection of white matter lesions is limited by restricted access to magnetic resonance imaging, highlighting the need for predictive models based on accessible clinical data. Objective: To develop and compare a predictive model for cerebral white matter lesions using a multilayer perceptron (MLP) neural network trained with routine clinical and biochemical variables. Materials and Methods: Cross-sectional study based on a secondary database of 1904 participants. Demographic, clinical, and metabolic variables were included, such as age, blood pressure, glucose, lipid profile, and body mass index. The MLP model was configured with one hidden layer of seven neurons and hyperbolic tangent and softmax activation functions. Backpropagation with cross-entropy loss and a 70/30% train-test split were applied. Its performance was compared with binary logistic regression and Random Forest models. Results: The MLP achieved an area under the curve (AUC) of 0.789 and an overall accuracy of 70.3%, outperforming logistic regression (AUC = 0.709) and Random Forest (AUC = 0.719). Sensitivity and specificity were 73.8% and 73.6%, respectively. Interpretability analysis using SHAP values identified age, antihypertensive use, diastolic blood pressure, glucose, and LDL as the most influential predictors. Conclusions: The neural network model demonstrated superior performance and greater explanatory capacity compared with classical methods, emphasising the role of vascular and metabolic factors as key modulators of cerebral white matter lesion risk.