Resumen

La enfermedad de Alzheimer (EA) es una enfermedad neurodegenerativa frecuente con una fase prodrómica de deterioro cognitivo leve (DCL), en la que la pérdida de memoria es el principal síntoma, que empeora progresivamente con problemas de comportamiento y de autocuidado. Sin embargo, no todos los pacientes diagnosticados clínicamente de DCL evolucionan hacia la EA. En la actualidad, se han desarrollado varias técnicas de clasificación de alta dimensión para distinguir automáticamente entre pacientes con EA, DCL y controles sanos (CS) basándose en la RM ponderada en T1. Sin embargo, las características de estos métodos se basan en wavelets, contourlets, matrices de co-ocurrencia de nivel de gris, etc., en lugar de utilizar características clínicas que ayuden a los médicos a comprender el mecanismo patológico de la EA. En este estudio, se propone un nuevo enfoque que utiliza el grosor cortical y el volumen subcortical para distinguir la clasificación binaria y terciaria del conjunto de datos del Centro Nacional de Investigación de la Demencia (NRCD), que consta de 326 sujetos. Se realizan cinco experimentos de clasificación: clasificación binaria, es decir, EA frente a HC, HC frente a mAD (DCL debido a la EA) y mAD frente a aAD (EA asintomática), y clasificación terciaria, es decir, EA frente a HC frente a mAD y EA frente a HC frente a aAD utilizando características corticales y subcorticales. Los conjuntos de datos se dividieron en una proporción de 70/30 y, posteriormente, el 70% se utilizó para el entrenamiento y el 30% restante para obtener un rendimiento de estimación insesgado de los métodos sugeridos. Para reducir la dimensionalidad, se utilizó el análisis de componentes principales (ACP). A continuación, el resultado del PCA se pasó a varios tipos de clasificadores, a saber, softmax, máquina de vectores de soporte (SVM), k-nearest neighbors y naive Bayes (NB) para comprobar el rendimiento del modelo. Los experimentos con el conjunto de datos NRCD demostraron que el clasificador softmax es el más adecuado para la clasificación AD vs HC, con una puntuación F1 de 99,06, mientras que para otros grupos, el clasificador SVM es el más adecuado para las clasificaciones HC vs mAD, mAD vs aAD y AD vs HC vs mAD, con puntuaciones F1 de 99,51, 97,5 y 99,99, respectivamente. Además, para la clasificación AD vs HC vs aAD, NB obtuvo buenos resultados con una puntuación F1 de 95,88. Además, para comprobar la eficacia de nuestro modelo propuesto, también hemos utilizado el conjunto de datos OASIS para compararlo con 9 métodos de vanguardia.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:EA, HC, DMA, DCL, puntuación F1, clasificación terciaria, deterioro cognitivo leve prodrómico, Centro Nacional de Investigación, enfermedad neurodegenerativa común, técnicas de clasificación dimensional.
• Keywords:AD, HC, mAD, MCI, F1 score, tertiary classification, prodromal mild cognitive impairment, National Research Center, common neurodegenerative disease, dimensional classification techniques