TAZ-TFG-2024-2795

Modelos de supervivencia e inteligencia artificial explicable en la predicción del riesgo de conversión de deterioro cognitivo leve a Alzhéimer.

Domingo Ralla, Diego
Hernández Giménez, Mónica (dir.) ; Mayordomo Cámara, Elvira (dir.)

Universidad de Zaragoza, EINA, 2024
Departamento de Informática e Ingeniería de Sistemas, Área de Lenguajes y Sistemas Informáticos

Graduado en Ingeniería Informática

Resumen: La enfermedad de Alzhéimer (AD) es la forma más común de demencia a nivel mundial. Se trata de una afección crónica para la que no existen tratamientos curativos. Su diagnóstico es un proceso complejo que consiste en la evaluación de un especialista médico, apoyado en diversas pruebas que pueden incluir escáneres de imagen cerebral, evaluaciones neuropsicológicas o la identificación de biomarcadores genéticos y en el líquido cefalorraquídeo. El deterioro cognitivo leve (MCI) es una etapa temprana del declive de las facultades cognitivas del individuo que, en muchos casos, puede progresar a AD. De esta manera, la detección temprana y el seguimiento de los pacientes con MCI son aspectos cruciales para la identificación de pacientes con un alto riesgo de conversión. Recientemente, métodos de análisis de supervivencia han mostrado buenas prestaciones en la predicción de conversión de MCI a AD. Sin embargo, este tipo de modelos tiene una naturaleza de caja negra, es decir, su funcionamiento interno es poco transparente, lo que dificulta la interpretación de sus resultados. Para resolver este problema surgen métodos de inteligencia artifical explicable (XAI) como SHapley Additive exPlanations (SHAP), que permite descomponer las predicciones del modelo en la contribución de cada feature, proporcionando una explicación clara y cuantitativa del impacto de cada variable en el resultado del modelo. En este trabajo se aporta una visión general completa de la eficacia de Random Survival Forests (RSF) y Gradient Boosting Survival Analysis (GBSA) en el problema de la predicción de conversión de MCI a AD en un periodo de tiempo de hasta 5 años. Se han utilizado datos de pacientes con MCI del Alzheimer's Disease Neuroimaging Initiative (ADNI) en diferentes puntos temporales de su seguimiento (baseline, mes 12, mes 24, y una concatenación de baseline y mes 12). Asimismo, se ha elaborado un método simple pero efectivo para la obtención de métricas complementarias similares a las típicamente utilizadas en los modelos de aprendizaje automático tradicionales, y se ha utilizado SHAP para abordar la explicabilidad de los modelos y analizar los factores que más influyen sobre las predicciones realizadas. En términos generales, los resultados muestran que RSF obtiene mejores prestaciones que GBSA, alcanzando un c-index máximo de 0.875 con datos del mes 12. Entre las features con más impacto sobre las predicciones se han identificado tests de evaluación neuropsicológica como mPACCtrailsB o LDELTOTAL, la escala clínica FAQ, el volumen del giro temporal medio (MidTemp) o FDG, un biomarcador del metabolismo de glucosa en el cerebro. De esta manera, se observa que las predicciones realizadas son el resultado de la contribución acumulada de features de diversos tipos que miden diferentes aspectos del deterioro cognitivo. En conclusión, en este trabajo se comprueba que la utilización de modelos de supevivencia apoyados por métodos de explicabilidad como SHAP puede resultar de gran utilidad en el ámbito clínico para la predicción del riesgo de conversión de MCI a AD y en la elaboración de tratamientos adaptados a las necesidades de cada paciente.