Modelo dual impulsado por metaheurísticas para clasificar las etapas de la enfermedad de Alzheimer

Área de la Ciencia:

• Neuroimagen e Inteligencia Artificial
• Neurociencia Computacional
• Diagnóstico Médico

Sus antecedentes:

• La estadificación precisa de la enfermedad de Alzheimer (EA) es vital para la atención y el tratamiento del paciente.
• Distinguir entre las etapas de progresión de la EA utilizando neuroimagen es un desafío.

Objetivo del estudio:

• Desarrollar un marco avanzado de aprendizaje automático para la clasificación multietapa de la enfermedad de Alzheimer.
• Mejorar la precisión y la interpretabilidad de la estadificación de la EA utilizando datos de RM.

Principales métodos:

• Una arquitectura de aprendizaje automático de dos niveles que combina redes neuronales convolucionales (CNN) para la extracción de características y modelos de ensamblaje (XGBoost, LightGBM) para la clasificación.
• Aplicación de estrategias de optimización metaheurística para refinar el rendimiento del modelo.
• Evaluación en un conjunto de datos público de la enfermedad de Alzheimer.

Principales resultados:

• El marco propuesto logró una precisión de clasificación máxima del 89,55% para la clasificación de EA multietapa.
• Demostró un rendimiento predictivo robusto y sólidas capacidades de generalización en diferentes configuraciones experimentales.
• Las técnicas de IA explicable (XAI) proporcionaron información sobre biomarcadores de neuroimagen relacionados con la progresión de la EA.

Conclusiones:

• El marco desarrollado clasifica eficazmente las etapas de progresión de la enfermedad de Alzheimer utilizando datos de RM.
• La incorporación de XAI mejora la interpretabilidad del modelo y la relevancia clínica.
• Este enfoque ofrece una dirección prometedora para la investigación de diagnóstico y estadificación de la enfermedad de Alzheimer impulsada por datos.