Resumen

La enfermedad de Alzheimer (EA) es un trastorno cerebral neurodegenerativo y progresivo que ataca a los neurotransmisores, las células cerebrales y los nervios, afectando a las funciones cerebrales, la memoria y los comportamientos para acabar provocando demencia en las personas mayores. A pesar de su importancia, actualmente no tiene cura. Sin embargo, existen medicamentos de venta con receta que pueden ayudar a retrasar el avance de la enfermedad. Por lo tanto, el diagnóstico precoz de la EA es esencial para la atención al paciente y las investigaciones pertinentes. Los principales retos a la hora de realizar un diagnóstico adecuado de la EA utilizando los esquemas de clasificación existentes son la disponibilidad de un menor número de muestras de entrenamiento y el mayor número de posibles representaciones de características. En este artículo, presentamos y comparamos enfoques de diagnóstico de EA utilizando imágenes de resonancia magnética estructural (sMR) para discriminar entre EA, deterioro cognitivo leve (DCL) y sujetos de control sanos (HC) utilizando una máquina de vectores de soporte (SVM), una máquina de vectores de importación (IVM) y una máquina de aprendizaje extremo regularizada (RELM). La técnica de selección de características basada en la puntuación codiciosa se emplea para seleccionar vectores de características importantes. Además, se adopta un enfoque discriminativo basado en kernel para tratar distribuciones de datos complejas. Comparamos el rendimiento de estos clasificadores con los datos de imágenes volumétricas de RMN de la iniciativa de neuroimagen de la enfermedad de Alzheimer (ADNI). Los experimentos en los conjuntos de datos ADNI mostraron que RELM con el enfoque de selección de características puede mejorar significativamente la precisión de la clasificación de la EA de los sujetos MCI y HC.

• Materias:Algoritmos de aprendizaje Transductores de ultrasonido Ingeniería de atención Estudio biomecánico Ortesis progresivas estáticas
• Subjects:Learning algorithms Ultrasound transducers Care engineering Biomechanical study Static progressive orthoses
• Palabras claves:EA, datos volumétricos de imagen sMR, enfoques de diagnóstico de EA, distribuciones complejas de datos, iniciativa de neuroimagen de enfermedades, máquina de aprendizaje extremo, enfoque de selección de características, técnica de selección de características, máquina de vectores de importación, vectores de características importantes.
• Keywords:AD, volumetric sMR image data, AD diagnosis approaches, complex data distributions, disease neuroimaging initiative, extreme learning machine, feature selection approach, feature selection technique, import vector machine, important feature vectors