Resumen

La atrofia cerebral en el deterioro cognitivo leve (DCL) y en la enfermedad de Alzheimer (EA) es difícil de delimitar para evaluar la progresión de la EA. Este estudio presenta un marco estadístico basado en los volúmenes de la resonancia magnética y las puntuaciones neuropsicológicas. Se diseña una técnica de selección de características mediante regresión lineal por pasos hacia atrás junto con un análisis discriminante lineal para clasificar a los sujetos cognitivos normales (CN), los sujetos con DCL temprano (EMCI), los sujetos con DCL tardío (LMCI) y los sujetos con EA en un proceso exhaustivo de clasificación de dos grupos. Los resultados muestran un predominio de los parámetros neuropsicológicos como el MMSE y el RAVLT. Las medidas volumétricas corticales de las regiones temporal, parietal y cingulada resultan ser factores de clasificación significativos. Además, se observa una distribución asimétrica de las medidas volumétricas entre hemisferios para CN frente a EMCI y EMCI frente a EA, mostrando la dominancia del hemisferio derecho; mientras que CN frente a LMCI y EMCI frente a LMCI muestran la dominancia del hemisferio izquierdo. Una validación cruzada de dos veces mostró una precisión media del 93,9%, 90,8% y 94,5%, para la CN frente a la EA, la CN frente a la LMCI y la EMCI frente a la EA, respectivamente. La precisión para los grupos difíciles de diferenciar, como EMCI frente a LMCI, fue del 73,6%. Con la inclusión de las puntuaciones neuropsicológicas, se obtuvo una mejora significativa (24,59%) con respecto a la utilización de las medidas de la RM por sí solas.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:emci, lmci, cn, ad, puntuación neuropsicológica, análisis discriminante lineal, deterioro cognitivo leve, dominancia, técnicas de selección de características, factores de clasificación significativos
• Keywords:emci, lmci, cn, ad, neuropsychological score, linear discriminant analysis, mild cognitive impairment, dominance, features selection techniques, significant classification factors