Publicación: Sistema de aprendizaje automático para diagnóstico de alzheimer
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: La enfermedad de Alzheimer es una de las principales causas de demencia en todo el mundo. En vista del creciente número de nuevos casos, se necesitan herramientas de diagnóstico accesibles y precisas para apoyar la detección temprana de la enfermedad. Este trabajo presenta un sistema automático de análisis de imágenes por resonancia magnética (MRI) basado en aprendizaje profundo para ayudar a diagnosticar de manera temprana de la enfermedad de Alzheimer. El modelo se desarrolló empleando el conjunto de datos OASIS, al que se le implementó un protocolo de balanceo y aumento de datos para reducir el sesgo de clases. Cuatro arquitecturas de redes neuronales (DenseNet121, ResNet152V2, EfficientNetB0 y VGG16) fueron comparadas de manera uniforme. DenseNet121 fue seleccionada como la más prometedora por su equilibrio entre eficiencia computacional y precisión. Tras la selección del modelo base, se realizó una implementación en dos etapas que comprendió un fine-tuning progresivo, regularización L2, modificación dinámica de la prueba de aprendizaje y debates en clase. Adicionalmente, se incorporaron cinco iteraciones de validación cruzada para asegurar la solidez del desempeño. La interpretabilidad del sistema se aseguró mediante los métodos de visualización Grad-CAM y t-SNE, los cuales corroboraron que el modelo se enfocaba en áreas fundamentales del cerebro como los ventrículos laterales, la corteza entorrinal y el hipocampo. El sistema alcanzó una precisión que superó el 94 % en la evaluación final de un conjunto de pruebas independientes, con una media de AUC de 0,99 y una puntuación F1 de 0,95, lo que indica su factibilidad en entornos clínicos con recursos limitados.
Resumen en inglés
ABSTRACT: Alzheimer's disease is one of the leading causes of dementia worldwide. Given the increasing number of new cases, accessible and accurate diagnostic tools are needed to support early detection of the disease. This work presents an automatic deep learning-based magnetic resonance imaging (MRI) analysis system to aid in the early diagnosis of Alzheimer's disease. The model was developed using the OASIS dataset, which was subjected to a data balancing and augmentation protocol to reduce class bias. Four neural network architectures (DenseNet121, ResNet152V2, EfficientNetB0, and VGG16) were compared equally. DenseNet121 was selected as the most promising due to its balance between computational efficiency and accuracy. Following the selection of the base model, a two-stage implementation was performed, comprising progressive fine-tuning, L2 regularization, dynamic modification of the learning test, and class discussions. Additionally, five iterations of cross-validation were incorporated to ensure robust performance. The system's interpretability was ensured using the Grad-CAM and t-SNE visualization methods, which confirmed that the model focused on key brain areas such as the lateral ventricles, entorhinal cortex, and hippocampus. The system achieved an accuracy exceeding 94% in the final evaluation of a set of independent tests, with a mean AUC of 0.99 and an F1 score of 0.95, indicating its feasibility in resource-limited clinical settings.