Desarrollo de un modelo de Deep Learning basado en neuroimágenes para la detección temprana de enfermedades neurodegenerativas

Abstract

La presente investigación tuvo como objetivo desarrollar un enfoque de deep learning, basado en neuroimágenes para la detección temprana de enfermedades neurodegenerativas, que permitiera identificar con precisión el tipo de enfermedad cerebral y facilitando un tratamiento adecuado. El estudio fue de tipo aplicado, con un diseño experimental y una población de 7,839 imágenes de pacientes con Alzheimer, Parkinson y sujetos de control. Para el desarrollo, se empleó la metodología KDD, que comprende las fases de selección, preprocesamiento, transformación, minería de datos, interpretación/evaluación y despliegue. En el experimento, se implementaron cinco modelos de deep learning: Convolutional Neural Network (CNN), Inception v3, EfficientNetB0, ResNet 50 y DenseNet 121. Los resultados obtenidos en términos de precisión (accuracy) fueron los siguientes: CNN (0.9298), DenseNet 121 (0.9745), EfficientNetB0 (0.9758), Inception v3 (0.9758) y ResNet 50 (0.9592). Se concluyó que el modelo Inception v3, entrenado en 40 épocas, fue el más efectivo, seguido de EfficientNetB0 con 50 épocas, en la predicción de enfermedades neurodegenerativas en un entorno hospitalario.

This research aimed to develop a deep learning-based approach using neuroimaging for the early detection of neurodegenerative diseases, enabling precise identification of the type of brain disorder and facilitating appropriate treatment. This was an applied study with an experimental design, conducted using a dataset of 7,839 brain images from patients diagnosed with Alzheimer’s disease, Parkinson’s disease, and healthy control subjects. The development process adhered to the Knowledge Discovery in Databases (KDD) methodology, which includes the phases of data selection, preprocessing, transformation, data mining, interpretation/evaluation, and deployment. Five deep learning models were implemented: Convolutional Neural Network (CNN), Inception v3, EfficientNetB0, ResNet 50, and DenseNet 121. Accuracy results for the implemented models were as follows: CNN (0.9298), DenseNet 121 (0.9745), EfficientNetB0 (0.9758), Inception v3 (0.9758), and ResNet 50 (0.9592). Inception v3, trained over 40 epochs, yielded the highest performance, followed by EfficientNetB0 with 50 epochs. The findings highlight the potential of these models, particularly Inception v3, for accurately predicting neurodegenerative diseases in hospital environments.