Título: Diagnóstico de Alzheimer mediante FDG-PET: prueba de generalización de modelos de aprendizaje profundo en una cohorte latinoamericana
Directores: Emmanuel Iarussi y Diego Fernández Slezak
Jurados: Luciana Bruno y Francisco Valentini

Resumen: Los modelos de aprendizaje profundo suelen presentar una disminución en su rendimiento al ser aplicados en conjuntos de datos distintos de los que se usaron en su entrenamiento. En el contexto de la clasificación de la enfermedad de Alzheimer mediante imágenes FDG-PET, el desarrollo de estos modelos se ha concentrado en el uso de unos pocos conjuntos de datos públicos, principalmente ADNI, los cuales representan mayoritariamente a poblaciones norteamericanas. Como consecuencia, son escasos los estudios que evalúan el desempeño de estas arquitecturas en cohortes de otras regiones geográficas. En este trabajo, se utiliza un conjunto de datos de pacientes latinoamericanos, proporcionado por el Instituto Fleni, como conjunto de evaluación independiente para analizar la capacidad de generalización de estos modelos. Para ello, se comparan dos arquitecturas: una basada en redes convolucionales y otra basada en transformers. Los resultados muestran que ambos modelos son capaces de generalizar a conjuntos no vistos, aunque su desempeño depende de la configuración experimental y del grado de compatibilidad entre los datos de evaluación y los de entrenamiento. En la comparación realizada, no se observaron diferencias sustanciales en el desempeño entre el enfoque puramente convolucional y el enfoque basado en transformers.

Palabras clave: aprendizaje profundo, enfermedad de Alzheimer, FDG-PET, transferencia de dominio, capacidad de generalización, redes convolucionales, transformers.