Desarrollo de un sistema predictivo para el apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante inteligencia artificial y estudios PET

Bolaños Aldana, Alejandra; Castillo Estacio, Nicoll Dayana

Desarrollo de un sistema predictivo para el apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante inteligencia artificial y estudios PET

dc.contributor.advisor	Vargas Cardona, Hernán Darío
dc.contributor.author	Bolaños Aldana, Alejandra
dc.contributor.author	Castillo Estacio, Nicoll Dayana
dc.date.accessioned	2026-02-17T15:50:07Z
dc.date.available	2026-02-17T15:50:07Z
dc.date.issued	2025
dc.description.abstract	La enfermedad de Alzheimer constituye la principal causa de demencia a nivel mundial, afectando a más de 55 millones de personas. No obstante, su diagnóstico temprano continúa siendo un desafío clínico relevante, dado que los métodos convencionales suelen identificar la enfermedad en fases avanzadas, cuando las alternativas terapéuticas son limitadas. En este contexto, el presente trabajo desarrolló un sistema predictivo orientado al apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante el uso de inteligencia artificial aplicada a estudios de tomografía por emisión de positrones (PET). El objetivo principal consistió en integrar técnicas de aprendizaje profundo y aprendizaje automático para la clasificación de pacientes en tres categorías diagnósticas: cognitivamente normal, deterioro cognitivo leve y enfermedad de Alzheimer. La metodología se fundamentó en el uso de datos del repositorio público ADNI, incorporando un total de 5,673 imágenes PET adquiridas con diferentes radiofármacos, así como 4,617 registros clínicos que incluyen variables sociodemográficas, cognitivas y genéticas. Para el análisis de neuroimagen, se implementaron y compararon tres arquitecturas de redes neuronales convolucionales tridimensionales: ResNet3D, un enfoque de transfer learning basado en ResNet10-3D preentrenado y la arquitectura VoxCNN3D. De manera complementaria, se evaluaron modelos clásicos de aprendizaje automático aplicados a datos tabulares, específicamente K-Nearest Neighbors, Naive Bayes y Random Forest. Adicionalmente, se desarrolló un modelo híbrido que integró las representaciones profundas extraídas por ResNet10-3D con variables clínicas procesadas mediante Random Forest, con el fin de aprovechar información multimodal. Los resultados evidenciaron que el modelo híbrido alcanzó el mejor desempeño global, logrando una exactitud del 77.12% en el conjunto de prueba, superando de manera significativa a los modelos individuales. En particular, el sistema obtuvo una precisión del 100% para la clase Alzheimer, un recall del 94.92% para la clase de controles normales y métricas balanceadas para la categoría de deterioro cognitivo leve, lo que refleja una adecuada capacidad discriminativa. Como parte del desarrollo tecnológico, se implementó una interfaz gráfica funcional mediante Gradio, la cual permite la carga de estudios PET, la captura de información clínica, la visualización multiplanar de las neuroimágenes y la generación automática de reportes diagnósticos en formatos TXT y PDF. En conclusión, este trabajo demuestra que la integración multimodal de neuroimagen funcional y datos clínicos, mediante técnicas avanzadas de inteligencia artificial, mejora de forma sustancial el desempeño diagnóstico frente a enfoques unimodales. El sistema propuesto se perfila como una herramienta prometedora de apoyo al diagnóstico clínico, con potencial para fortalecer la detección temprana y la estratificación de pacientes dentro del espectro del deterioro cognitivo.	spa
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero(a)biomédico(a)
dc.format.extent	179 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	http://hdl.handle.net/11522/5322
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.publisher.department	Facultad de Ingeniería y Ciencias
dc.publisher.program	Ingeniería Biomédica
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Enfermedad de Alzheimer	spa
dc.subject	Tomografía por emisión de positrones	spa
dc.subject	Aprendizaje profundo	spa
dc.subject	Redes neuronales convolucionales	spa
dc.subject	Diagnóstico asistido por computadora	spa
dc.subject	Alzheimer’s disease	eng
dc.subject	Positron emission tomography	eng
dc.subject	Deep learning	eng
dc.subject	Convolutional neural networks	eng
dc.subject	Computer‑aided diagnosis	eng
dc.title	Desarrollo de un sistema predictivo para el apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante inteligencia artificial y estudios PET	eng
dc.type	bachelor thesis
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP