TAZ-TFG-2024-2770

Explainable Boosting Machine en la predicción de la conversión desde deterioro cognitivo leve a Alzheimer usando datos longitudinales.

Cervera López, Pablo
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: El Alzheimer es una enfermedad neurodegenerativa crónica que constituye la forma más común de demencia, representando entre el 60% y el 70% de los casos. Esta enfermedad afecta principalmente a personas mayores de 65 años, aunque también puede presentarse en personas más jóvenes, conocido como Alzheimer de inicio temprano (Late Onset Alzheimer 's Disease, LOAD). Desafortunadamente, a día de hoy no se conoce una cura y únicamente existen tratamientos para ralentizar el progreso de la enfermedad. Actualmente, no se conoce un método de diagnóstico preciso para esta enfermedad que no involucre una biopsia post-mortem. Los pacientes diagnosticados con deterioro cognitivo leve (Mild Cognitive Impairment, MCI) pueden terminar desarrollando Alzheimer. Por ello, la detección temprana de un declive cognitivo en este tipo de pacientes es crucial para diagnosticar la enfermedad con antelación y aplicar los tratamientos disponibles, los cuales son más efectivos durante las etapas tempranas de la enfermedad, de manera que se mejore la calidad de vida de los pacientes y sus familias. Por otro lado, en los últimos años múltiples técnicas de Machine Learning y de aprendizaje profundo (Deep Learning, DL), se han utilizado de forma extensiva para predecir la conversión de un paciente con MCI a Alzheimer. No obstante, estos modelos complejos tienden a sacrificar la interpretabilidad en favor de la precisión, lo que dificulta su aplicación al ámbito clínico. Muchas veces, los expertos en el campo de la medicina se muestran reacios a confiar en el resultado de los métodos denominados black-box debido a que carecen de explicaciones completas y fáciles de entender de sus decisiones. En este trabajo se ha utilizado un método de Machine Learning explicable, en concreto Explainable Boosting Machine (EBM), en el problema de predicción de la conversión de MCI a Alzheimer en un periodo de tiempo entre uno y cinco años. Este tipo de técnicas proporcionan interpretabilidad mientras mantienen la precisión, un factor fundamental para su aplicación clínica. El estudio se ha centrado en seleccionar las features más relevantes para la predicción y estudiar su relevancia en los modelos resultantes. Se han considerado cinco conjuntos de features utilizados en estudios previos, todos ellos incluyen datos de distintas modalidades obtenidos de la base de datos ADNI (Alzheimer's Disease Neuroimaging Initiative). Los resultados obtenidos muestran que los métodos explicables como EBM no solo obtienen un buen rendimiento, sino que también proporcionan insights valiosos sobre las features más influyentes en la progresión de MCI a Alzheimer. Esto puede facilitar una mejor comprensión de la enfermedad y apoyar a los profesionales médicos en la toma de decisiones clínicas. Como conclusión, este trabajo demuestra el potencial de las técnicas de Machine Learning explicable para el diagnóstico temprano del Alzheimer y sugiere que la combinación de precisión e interpretabilidad es crucial para su adopción en el ámbito clínico.