Hacia una detección más precisa de la enfermedad de Parkinson:Comparativa de algoritmos de aprendizaje automático

Abstract

En la actualidad la Enfermedad de Parkinson (EP o PD por sus siglas en inglés para Parkinson Disease), es una enfermedad neurodegenerativa que no tiene cura. El tiempo de vida y la calidad de los que padecen esta afección solo se puede prolongar mediante la detección temprana, para empezar con tratamientos clínicos y reducir la velocidad a la que avanza esta enfermedad. Considerando que, resulta una tarea complicada diferenciar un paciente con enfermedad de Parkinson en etapa inicial de uno sano, este trabajo propone una metodología que utiliza imágenes de resonancia magnética de funciones (fMRI) extraídas de la base de datos Iniciativa de Marcadores de Progresión del Parkinson (PPMI). Para llevar a cabo esta tarea, se definen las clases de control prodromal y PD, y se aplican métodos de umbralización y erosión en las imágenes de resonancia, para reducir costos computacionales y centrarse en las zonas de interés. Una vez identificadas estas zonas, se extraen características estadísticas con transformadas lineales no paramétricas. El conjunto de características se separa en dos grupos de 96.66% y 3.34% respectivamente para el entrenamiento y prueba de clasificadores jerárquicos utilizando el método de retención (holdout). Con esta configuración se obtuvo que la exactitud del modelo multiclase propuesto está en el rango de 99.53% y 100%, distribuyendo el desempeño entre clases de la siguiente manera. La clase de control alcanza una precisión de 99.58% y una especificidad de 99.72%, de forma similar, la clase Prodromal logra una precisión de 99.17% y una especificidad de 99.46%, y por último la clase PD una precisión de 99.72% y una especificidad de 99.47%. Con este modelo propuesto se busca brindar una herramienta que sea un auxiliar clínico para los especialistas en la detección temprana de la Enfermedad de Parkinson.