Modelos explicables de aprendizaje automático para la detección temprana de la enfermedad de Alzheimer utilizando datos clínicos multimodales | JoVE Visualize

Área de la Ciencia:

La inteligencia artificial en la medicina
Ciencia de los datos biomédicos
Neurociencia computacional

Sus antecedentes:

La enfermedad de Alzheimer (EA) plantea un desafío significativo para la salud mundial, que requiere una predicción temprana y precisa para una intervención efectiva.
Los modelos actuales de aprendizaje automático para la predicción de AD carecen de transparencia, lo que dificulta su adopción clínica debido a su naturaleza de "caja negra".

Objetivo del estudio:

Desarrollar y evaluar marcos de inteligencia artificial explicable (XAI) para la predicción de la EA utilizando datos multimodales de pacientes.
Mejorar la interpretabilidad del modelo en la predicción de AD utilizando las técnicas SHAP (explicaciones aditivas de SHapley) y LIME (explicaciones agnóstico-modelo interpretables locales).

Principales métodos:

Se utilizó un conjunto de datos completo de 2.149 pacientes (de 60 a 90 años) con datos demográficos, médicos, de estilo de vida, clínicos y cognitivos.
Preprocesamiento de datos aplicado, incluida la normalización MinMax, SMOTE para el desequilibrio de clase y la selección de características de eliminación hacia atrás.
Se evaluaron seis modelos de aprendizaje automático, optimizando el Bosque Aleatorio (RF) con la Optimización de la Colonia de Hormigas y empleando SHAP y LIME para la interpretabilidad.

Principales resultados:

El modelo optimizado de Random Forest logró un alto rendimiento: 95% de precisión, 95% de recuerdo, 94% de puntuación F1 y 98% de AUC.
El análisis SHAP identificó la evaluación funcional, las actividades de la vida diaria (ADL), las quejas de memoria y el examen del estado mental en miniatura (MMSE) como predictores clave.
LIME proporcionó explicaciones locales, confirmando la relevancia clínica de las características identificadas.

Conclusiones:

La integración de XAI con el aprendizaje automático mejora la transparencia y la confianza en las herramientas de diagnóstico de EA basadas en IA, al tiempo que mantiene una alta precisión predictiva.
La investigación futura debe centrarse en la validación externa, la integración del flujo de trabajo clínico y abordar las demandas computacionales para el despliegue en el mundo real.