Evaluación de enfoques clásicos y novedosos de aprendizaje automático para la detección precoz del Alzheimer utilizando datos de resonancia magnética funcional (fMRI)

Identificador:  TFM:2521

Handle: https://hdl.handle.net/20.500.11797/TFM2521

Autores:  Baidal Marco, Miguel

Resumen:
La enfermedad de Alzheimer (EA) se caracteriza por alteraciones biológicas tempranas que comienzan muchos años antes de la aparición de los síntomas clínicos, lo que hace que la detección precoz sea tanto un desafío como un factor crucial para una predicción e intervención eficaces. En este estudio, se lleva a cabo una evaluación sistemática de diversos modelos predictivos con el objetivo de valorar la eficacia de las características de conectividad y amplitud derivadas de la resonancia magnética funcional (RMf) para identificar a participantes en riesgo de padecer EA. El análisis compara técnicas tradicionales de aprendizaje automático con arquitecturas modernas de redes neuronales, evaluando su rendimiento no solo en términos de exactitud, sino también en otras dimensiones como la reducción de dimensionalidad, la selección de características y el manejo del desequilibrio de clases. Asimismo, se aplican métodos de explicabilidad para comprender mejor qué características resultan más relevantes en la predicción, aportando información valiosa sobre los mecanismos de la enfermedad. La transferibilidad de los hallazgos se verifica adicionalmente mediante un conjunto de datos de validación independiente. Los resultados sugieren que, a pesar del potencial del aprendizaje profundo (*deep learning*), los enfoques clásicos siguen siendo altamente competitivos, lo que pone de manifiesto la complejidad que entraña la predicción temprana de la EA.