Diseño de técnica de aprendizaje profundo implementando inteligencia artificial explicable a visión artificial para la detección temprana del deterioro cognitivo usando la figura compleja de rey

Abstract

El proyecto propone el desarrollo de un sistema automatizado a manera de herramienta como ayuda en la detección temprana del deterioro cognitivo mediante el análisis de la prueba de Test de Figura Compleja de Rey (TFCR) utilizando técnicas de aprendizaje profundo e Inteligencia Artificial Explicable (XAI por su sigla en inglés). La iniciativa surge ante la creciente prevalencia del deterioro cognitivo en adultos mayores y las limitaciones de las evaluaciones neuropsicológicas tradicionales, que suelen ser subjetivas, demandantes en tiempo y dependientes de personal especializado. El sistema utilizará una base de datos de 1171 imágenes de pacientes proporcionadas por el Instituto de Neurociencias de la Universidad El Bosque en conjunto con la Fundación Universitaria de Ciencias de la Salud (FUCS). Se plantea analizar el dataset, diseñar e implementar arquitecturas de redes neuronales convolucionales y modelos XAI, y evaluar su desempeño e interpretabilidad clínica, se plantea utilizar modelos de XAI con la finalidad de pulir los modelos de redes neuronales presentados y así mejorar el diseño y la fiabilidad de la herramienta. El objetivo final fue obtener una herramienta confiable, objetiva y clínicamente interpretable, capaz de optimizar el proceso diagnóstico, facilitar la labor del personal de salud y contribuir a intervenciones tempranas que mejoren la calidad de vida de los pacientes. Los resultados alcanzados demostraron que la integración de Inteligencia Artificial Explicable (XAI) no solo permitió auditar y justificar las decisiones del modelo, sino que también actuó como eje metodológico para su refinamiento, orientando ajustes en arquitectura, aumentación y calibración.