Aprendizaje automático para detección de problemas cognitivos: una revisión de la literatura
Resumen
La detección de problemas cognitivos, especialmente en las primeras etapas es crítico y el método con el cual se diagnostica es manual y depende de uno o varios médicos especialistas para diagnosticarse. A la medida que el deterioro cognitivo escala entra en la primera etapa de demencia por ejemplo, la enfermedad de Alzheimer (EA). Las primeras etapas de la EA son muy similares al Deterioro Cognitivo Leve, por esto es fundamental poder identificar los posibles factores asociados con la enfermedad. El objetivo de esta investigación es demostrar que modelos automatizados pueden diferenciar y clasificar el Deterioro Cognitivo Leve (DCL) y la enfermedad de EA.
Para esta investigación se utilizó una metodología de relevamiento donde se realiza un estudio de alrededor de 30 investigaciones donde exponen que los algoritmos de Machine Learning (ML) sirven de soporte al médico especialista para determinar si una persona tiene o no Alzheimer o algún tipo de demencia relacionada.
Los algoritmos utilizados para la clasificación de problemas cognitivos y personas sanas (control) fueron: maquinas de soporte a la decisión (SVM), redes neuronales (RN), Árboles de Decisión (DT), y Naîve Bayes (NB).
Según los hallazgos encontrados los algoritmos más utilizados para la clasificación son: SVM y Redes Neuronales, pero el algoritmo que tuvo mejor precisión fue NB.
Descargas
Citas
Alashwal, H., El Halaby, M., Crouse, J. J., Abdalla, A., & Moustafa, A. A. (2019). The application of unsupervised clustering methods to Alzheimer’s disease. Frontiers in Computational Neuroscience, 13(May), 1–9. https://doi.org/10.3389/fncom.2019.00031
Alzhe. (2019). 2019 Alzheimer’s disease facts and figures. Alzheimer’s & Dementia, 15(3), 321–387. https://doi.org/10.1016/j.jalz.2019.01.010
Alzheimer’s_Association. (2020). Alzheimer’s Association 2020 Facts and Figures Report. Alzheimer’s Association, 1. https://www.alz.org/alzheimers-dementia/facts-figures%0Ahttps://alz.org/alzheimers-dementia/facts-figures%0Ahttps://www.alz.org/alzheimers-dementia/facts-figures%0Ahttps://www.alz.org/media/Documents/alzheimers-facts-and-figures_1.pdf
Chen, R., & Herskovits, E. H. (2010). Machine-learning techniques for building a diagnostic model for very mild dementia. https://doi.org/10.1016/j.neuroimage.2010.03.084
Diagnóstico del Alzheimer | Español | Alzheimer’s Association. (n.d.). Retrieved May 20, 2020, from https://www.alz.org/alzheimer-demencia/diagnostico?lang=es-MX
Donoso, A., Venegas, P., Villarroel, C., & Vásquez, C. (2001). Deterioro cognitivo leve y enfermedad de Alzheimer inicial en adultos mayores. Revista Chilena de Neuro-Psiquiatria, 39(3), 231–238. https://doi.org/10.4067/s0717-92272001000300007
Herrera-Rivero, M., Hernández-Aguilar, M. E., Manzo, J., & Aranda-Abreu, G. E. (2010). Alzheimer’s disease: Immunity and diagnosis. Revista de Neurologia, 51(3), 153–164. https://doi.org/10.33588/rn.5103.2009531
Informe ADI/Bupa. (2013). La demencia en América: El coste y la prevalencia del Alzheimer y otros tipos de demencia. https://www.alz.co.uk/sites/default/files/pdfs/dementia-in-the-americas-SPANISH.pdf
Mayo Clinic. (n.d.-a). Demencia - Síntomas y causas - Mayo Clinic. Retrieved September 16, 2020, from https://www.mayoclinic.org/es-es/diseases-conditions/dementia/symptoms-causes/syc-20352013
Mayo Clinic. (n.d.-b). Estadios del Alzheimer: cómo avanza la enfermedad - Mayo Clinic. Retrieved August 26, 2020, from https://www.mayoclinic.org/es-es/diseases-conditions/alzheimers-disease/in-depth/alzheimers-stages/art-20048448
Mestizo Gutiérrez, S. L., Herrera Rivero, M., Cruz Ramírez, N., Hernández, E., & Aranda-Abreu, G. E. (2014). Decision trees for the analysis of genes involved in Alzheimer[U+05F3]s disease pathology. Journal of Theoretical Biology, 357, 21–25. https://doi.org/10.1016/j.jtbi.2014.05.002
Nevala, K. (2017). The machine learning primer: A SAS best practices e-book. SAS Institute Inc., 53.
Orimaye, Sylvester O., Wong, J. S. M., Golden, K. J., Wong, C. P., & Soyiri, I. N. (2017). Predicting probable Alzheimer’s disease using linguistic deficits and biomarkers. BMC Bioinformatics, 18(1), 1–13. https://doi.org/10.1186/s12859-016-1456-0
Orimaye, Sylvester Olubolu, Wong, J. S.-M., & Golden, K. J. (2014). Workshop on Computational Linguistics and Clinical Psychology: From Linguistic Signal to. Clinical Reality, 78–87. http://www.alz.org/dementia/
Payan, A., & Montana, G. (2015). Predicting Alzheimer’s disease a neuroimaging study with 3D convolutional neural networks. ICPRAM 2015 - 4th International Conference on Pattern Recognition Applications and Methods, Proceedings, 2(249), 355–362.
Sarraf, S., & Tofighi, G. (2016). Classification of Alzheimer’s Disease Structural MRI Data by Deep Learning Convolutional Neural Networks. 8–12. http://arxiv.org/abs/1607.06583
Wang, L., & Liu, Z. P. (2019). Detecting diagnostic biomarkers of Alzheimer’s disease by integrating gene expression data in six brain regions. Frontiers in Genetics, 10(MAR), 1–11. https://doi.org/10.3389/fgene.2019.00157
Williams, J. A., Weakley, A., Cook, D. J., & Schmitter-Edgecombe, M. (2013). Machine learning techniques for diagnostic differentiation of mild cognitive impairment and dementia. AAAI Workshop - Technical Report, WS-13-09, 71–76.
Ye, J., Wu, T., Li, J., & Chen, K. (2011). Machine learning approaches for the neuroimaging study of Alzheimer’s disease. Computer, 44(4), 99–101. https://doi.org/10.1109/MC.2011.117
Los artículos publicados en la Revista Ciencia y Tecnología son de exclusiva propiedad de sus autores. Las opiniones y el contenido de los mismos pertenecen a sus autores, declinando la Universidad de Palermo toda responsabilidad por los derechos que pudiera derivarse de la lectura y/o interpretación del contenido de los artículos publicados.
No se autoriza la reproducción, utilización ni explotación por parte de ningún tercero de los artículos publicados. Sólo se autoriza su uso para fines exclusivamente académicos y/o de investigación.
