Intelligent computing-based systems for diagnosing Mild Cognitive Impairment and Alzheimer's Disease. Towards an e-Health solution

Abstract

El aumento de la población envejecida conlleva más personas con enfermedades no transmisibles asociadas al envejecimiento, como la demencia, siendo la más prevalente la Enfermedad de Alzheimer (EA). Son el mayor reto sociosanitario al que se enfrentan nuestras sociedades, siendo su diagnóstico y manejo, un problema complejo de la medicina clínica. La EA muestra un curso continuo y progresivo, superior a 15 años, distinguiéndose en ella diferentes fases transformativas. La fase prodrómica se ha incluido dentro del constructo sindrómico Deterioro Cognitivo Leve (DCL), en el cual el sujeto presenta un déficit cognitivo intermedio entre el envejecimiento del cerebro sano (CN) y la demencia. En esta tesis proponemos dos nuevas arquitecturas neuronales híbridas, la Modular Hybrid Growing Neural Gas (MyGNG) y la Supervised Reconfigurable Growing Neural Gas (SupeRGNG), basadas en la red neuronal ontogénica Growing Neural Gas. Con ellos desarrollamos sistemas inteligentes de ayuda al diagnóstico de la EA y el DCL, presentando una propuesta de investigación traslacional para abordar este problema diagnóstico. MyGNG y SupeRGNG han obtenido resultados óptimos en la clasificación binaria o diferencial entre CN, DCL y EA, usando datos de ADNI. Superan a métodos de aprendizaje automático neuronales y no neuronales, y a técnicas de aprendizaje profundo. Se han obtenido, también, conjuntos de criterios diagnósticos óptimos para las tareas de clasificación tratadas, lo que posibilitará a los clínicos establecer un protocolo de criterios diagnósticos estándar en el diagnóstico de la EA. Su integración en un entorno clínico virtual de ayuda al diagnóstico nos ha permitido proponer una solución de e-Salud que dará lugar al diagnóstico universal en el ámbito de las demencias y de las patologías neuropsicológicas en general. Ello supondrá una mejora en la calidad de vida del paciente por la posibilidad de acceder a un diagnóstico, la rapidez del mismo, así como su fiabilidad.

The increase in the aging population leads to more people with non-communicable diseases associated with aging, such as dementia, the most prevalent being Alzheimer's Disease (AD). They are the greatest socio-health challenge that our societies face, their diagnosis and management being a complex problem of clinical medicine. EA shows a continuous and progressive course, lasting more than 15 years, distinguishing different transformative phases. The prodromal phase has been included within the syndromic construct Mild Cognitive Impairment (MCI), in which the subject presents a cognitive deficit intermediate between the aging of the healthy brain (CN) and dementia. In this thesis we propose two new hybrid neural architectures, the Modular Hybrid Growing Neural Gas (MyGNG) and the Supervised Reconfigurable Growing Neural Gas (SupeRGNG), based on the ontogenic neural network Growing Neural Gas. With them we develop intelligent systems to help diagnose AD and MCI, presenting a translational research proposal to address this diagnostic problem. MyGNG and SupeRGNG have obtained optimal results in the binary or differential classification between CN, MCI and AD, using ADNI data. They outperform neural and non-neural machine learning methods and deep learning techniques. Optimal sets of diagnostic criteria have also been obtained for the classification tasks treated, which will enable clinicians to establish a protocol of standard diagnostic criteria in the diagnosis of AD. Its integration into a virtual clinical environment to help with diagnosis has allowed us to propose an e-Health solution that will lead to universal diagnosis in the field of dementia and neuropsychological pathologies in general. This will mean an improvement in the patient's quality of life due to the possibility of accessing a diagnosis, its speed, as well as its reliability.