We promote learning and collaboration within the technological and scientific community

TL;DR En esta charla, les voy a contar de manera sencilla y apta para todo público cómo es el proceso para desarrollar un detector de Alzheimer a partir de resonancias magnéticas, utilizando herramientas avanzadas de machine learning. Desde la recolección de datos, el manejo de grandes volúmenes de información, la normalización de las imágenes (porque un un buen modelo de machine learning depende de la calidad de los datos de entrada) hasta el entrenamiento de una red neuronal convolucional (CNN) capaz de clasificar resonancias en tres categorías: Alzheimer, deterioro cognitivo leve y control, con una precisión cercana al 90%. Detalle: En esta charla, les voy a contar de manera sencilla y apta para todo público cómo es el proceso para desarrollar un detector de Alzheimer a partir de resonancias magnéticas, utilizando herramientas avanzadas de machine learning. Comenzaremos esta travesía hablando, en primer lugar, de la recolección de datos desde la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI). Esta base de datos nos proporciona imágenes de resonancia magnética (IRM) de alta calidad que son fundamentales para nuestro proyecto. Aquí también les contaré sobre distintos desafíos significativos que enfrenté, como el manejo de grandes volúmenes de información y la necesidad de corregir y normalizar las imágenes, y cómo, utilizando herramientas como FSL y ANTs, logré alinear, normalizar y corregir las imágenes para garantizar la precisión en las siguientes etapas del análisis. Esto significa que eliminamos cualquier distorsión en las imágenes y las estandarizamos para que el modelo pueda analizarlas correctamente. Pero, ¿por qué es importante el preprocesamiento de estos datos? La respuesta es que un buen modelo de machine learning depende de la calidad de los datos de entrada. Luego, les describiré cómo, utilizando MONAI, un framework especializado en el análisis de imágenes médicas, y PyTorch, construí y entrené una red neuronal convolucional (CNN) capaz de clasificar resonancias en tres categorías: Alzheimer, deterioro cognitivo leve y control, con una precisión cercana al 90%. Durante este proceso, ajusté hiperparámetros y realicé múltiples iteraciones para optimizar el rendimiento del modelo. Les explicaré cómo este enfoque iterativo nos permitió mejorar continuamente el modelo hasta alcanzar un alto nivel de precisión. Sé que todas estas palabras pueden asustar, pero como les dije previamente, todo está preparado para ser ATP (Apto Para Todo Público). Este proyecto muestra cómo la combinación de inteligencia artificial y neurociencia puede revolucionar la detección de enfermedades neurodegenerativas. La identificación temprana de la enfermedad de Alzheimer es esencial para el cuidado del paciente y la planificación del tratamiento. Además, entenderán cómo estos avances no solo tienen implicaciones para la salud individual, sino también para la sociedad en su conjunto, ya que una detección más temprana puede llevar a intervenciones más efectivas y a una mejor calidad de vida para los pacientes.