Ferraz García, Francisco Hernández Giménez, Mónica Mayordomo Cámara, Elvira 2020 2020 El 15 de junio de 2017, el EuroPOND Consortium y ADNI lanzaron The Alzheimer’s Disease<br />Prediction Of Longitudinal Evolution (TADPOLE) Challenge. Este reto tiene como objetivo<br />identificar qué personas empezarán a mostrar síntomas en un plazo de 1 a 5 años elegidas en un<br />grupo de edad de riesgo de padecer la enfermedad. Para ello, se propuso utilizar un conjunto<br />de mediciones longitudinales realizadas sobre los pacientes prevalecientes de ADNI, con el fin<br />de realizar predicciones de aquellas mediciones futuras más relevantes para el diagnóstico de la<br />enfermedad.<br />Las predicciones del TADPOLE Challenge se centran sobre el diagnóstico clínico, una<br />clasificación en tres grupos dependientes del nivel de deterioro cerebral por probable enfermedad<br />de Alzheimer (CN, MCI y AD); la puntuación ADAS‐Cog13, resultante de un exámen psicológico<br />frecuentemente utilizado en ensayos clínicos; y el volumen de los ventrículos del cerebro, estimado<br />a partir de imágenes por resonancia magnética (MRI). Gracias al TADPOLE Challenge se han<br />desarrollado una serie de métodos de aprendizaje automático que han proporcionado unos<br />resultados muy precisos en dos de las tres mediciones propuestas: el diagnóstico clínico y el<br />volumen de los ventrículos. Por el contrario, las mejores estimaciones de la puntuación ADAS‐<br />Cog13 fueron poco mejores que una estimación aleatoria.<br />El objetivo de este Trabajo de Final de Grado es reproducir los resultados de los tres mejores<br />métodos del TADPOLE Challenge en la predicción del diagnóstico clínico, de la forma más fiel<br />posible dada la escasa información disponible de los mismos. Además, utilizaremos métodos<br />de Inteligencia Artificial Interpretable para comprender por qué estos algoritmos obtienen los<br />mejores resultados en esta tarea, para obtener información relevante para su mejora, y para<br />establecer su fiabilidad y plantear su posible uso en la práctica clínica. Adicionalmente, se probará<br />la efectividad de los métodos desarrollados para el pronóstico de la puntuación de ADAS‐Cog13 y<br />la predicción del volumen de los ventrículos.<br />En particular, se han implementado dos sistemas: un Gradient Booster y un Random Forest,<br />y se ha utilizado un sistema de Support Vector Machines diseñado por los autores para el reto.<br />Mediante el aumento de los datos originales y la optimización de los hiperparámetros, se ha<br />conseguido reproducir e incluso superar los resultados de los métodos ganadores del reto tanto en<br />la predicción del diagnóstico clínico como del volúmen de los ventrículos, con una precisión del 96%<br />y del 91%, respectivamente. En comparación con las métricas del reto, hemos obtenido un mAUC<br />(área bajo la curva característica operativa del receptor) de 97.6 en el problema de diagnóstico,<br />superando el mAUC de 93.1 obtenido por el método ganador, mientras que para el volúmen de los<br />ventrículos obtenemos un MAE (error absoluto medio) de 0.27, superando el 0.45 de referencia.<br />Mediante el uso de dos algoritmos del estado del arte en interpretabilidad (SHAP y LIME) se<br />ha demostrado la fiabilidad de los modelos, comparando los atributos que usan para obtener el<br />diagnóstico con los utilizados en la práctica clínica, y se han señalado los motivos por los que los<br />sistemas podrían fallar, proponiendo soluciones para aumentar la capacidad de generalización de<br />los modelos.<br /><br />