Modelos explicables de aprendizaje automático para la detección temprana de la enfermedad de Alzheimer utilizando...

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.