Sistema de aprendizaje automático para diagnóstico de alzheimer

Solano Miguel, Salome

Publicación:
Sistema de aprendizaje automático para diagnóstico de alzheimer

dc.contributor.advisor	Quintero Zea, Andrés
dc.contributor.author	Solano Miguel, Salome
dc.date.accessioned	2025-07-29T16:28:13Z
dc.date.available	2025-07-29T16:28:13Z
dc.date.issued	2025
dc.description	71 páginas
dc.description.abstract	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.	spa
dc.description.abstract	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.	eng
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero(a) Biomédico(a)
dc.format.mimetype	application/pdf
dc.identifier.uri	https://repository.eia.edu.co/handle/11190/7161
dc.language.iso	spa
dc.publisher	Universidad EIA
dc.publisher.faculty	Escuela de Ciencias de la Vida
dc.publisher.place	Envigado (Antioquia, Colombia)
dc.publisher.program	Ingeniería Biomédica
dc.rights	Derechos Reservados - Universidad EIA, 2025
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.license	Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.subject.proposal	Alzheimer	spa
dc.subject.proposal	aprendizaje profundo	spa
dc.subject.proposal	resonancia magnética	spa
dc.subject.proposal	detección temprana	spa
dc.subject.proposal	Grad-CAM	spa
dc.subject.proposal	validación cruzada	spa
dc.subject.proposal	Alzheimer’s disease	eng
dc.subject.proposal	deep learning	eng
dc.subject.proposal	MRI	eng
dc.subject.proposal	early detection	eng
dc.subject.proposal	Grad-CAM	eng
dc.subject.proposal	cross-validation	eng
dc.title	Sistema de aprendizaje automático para diagnóstico de alzheimer	spa
dc.type	Trabajo de grado - Pregrado
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content	Text
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.redcol	http://purl.org/redcol/resource_type/TP
dc.type.version	info:eu-repo/semantics/publishedVersion
dspace.entity.type	Publication
person.identifier.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001196901
person.identifier.gsid	https://scholar.google.com.co/citations?user=85TEV2YAAAAJ&hl=es
person.identifier.orcid	0000-0002-3621-2983
relation.isDirectorOfPublication	24425f08-7bd9-4fb5-87f8-9389e3b44d16
relation.isDirectorOfPublication.latestForDiscovery	24425f08-7bd9-4fb5-87f8-9389e3b44d16