VISIÓN COMPUTACIONAL AL SERVICIO DEL DIAGNÓSTICO DE LA ENFERMEDAD DE PARKINSON
Palabras clave:
Inteligencia Artificial, Aprendizaje Automático, Redes Neuronales Artificiales, Diagnóstico Médico, Enfermedad de ParkinsonResumen
Este capítulo investiga la aplicación de modelos de aprendizaje profundo para el diagnóstico de la enfermedad de Parkinson (EP) a partir de imágenes de pruebas motoras. El estudio explora técnicas de aprendizaje por transferencia en redes neuronales convolucionales y compara su rendimiento con un modelo clásico de bosque aleatorio. Se exploraron tres arquitecturas de redes neuronales convolucionales preentrenadas, optimizadas para la clasificación binaria que indica la presencia o ausencia de EP. A modo de comparación, se implementó un modelo de bosque aleatorio con extracción de características mediante un histograma de gradientes orientados. El conjunto de datos contiene 204 imágenes de prueba de ondas y espirales, divididas en un 70 % para el entrenamiento y un 30 % para la prueba. Las métricas de evaluación adoptadas incluyen precisión, sensibilidad y especificidad. Para los dibujos de tipo onda, MobileNetV2 alcanzó la mayor precisión (89,9 %), mientras que ResNet50V2 logró la mejor sensibilidad (93,3 %). InceptionV3 destacó en especificidad (100 %). Para los dibujos de tipo espiral, ResNet50V2 mostró el mejor rendimiento general (86,6 % de precisión). El bosque aleatorio alcanzó una precisión máxima del 80,6 %, inferior a la de las redes neuronales. Los resultados demuestran que los modelos de aprendizaje profundo con aprendizaje por transferencia son eficaces en el diagnóstico asistido de la EP. La elección del modelo puede variar según la prioridad clínica. El modelo MobileNetV2 maximiza la precisión, mientras que ResNet50V2 maximiza la sensibilidad y InceptionV3 minimiza los falsos positivos. La aplicación desarrollada ilustra el potencial de integrar estas técnicas en herramientas de apoyo clínico.
