Poder de las Técnicas de Ensamble para la Predicción de la Edad Cerebral Usando Modelos de Aprendizaje Automático

Resumen El envejecimiento tiene un impacto profundo en la estructura y función del cerebro, lo que resulta en un deterioro cognitivo y una mayor susceptibilidad a enfermedades neurodegenerativas. La brecha de edad cerebral se define como la diferencia entre la edad cerebral estimada de un individuo y su edad real, que se considera un posible marcador de salud cerebral general y puede indicar anormalidades estructurales. Teniendo en cuenta este trabajo, se utilizan modelos de aprendizaje automático para estimar la edad cerebral basándose en datos de imágenes cerebrales de cuatro repositorios destacados, a saber, el conjunto de datos IXI, Calgary Campinas, Método Lineal Escaso y Aprendizaje Agnóstico a la Señal con Derivadas respectivamente. Este trabajo se realiza con base en cinco modelos de regresión como XGBoost (Extreme Gradient Boosting), Regresión de Soporte Vectorial (SVR), Regresión de Gradient Boosting (GBR), Regresión de Bosque Aleatorio (RFR) y regresión de K-Vecinos Más Cercanos (KNN), y también considerando modelos de ensamble como Stacking, Bagging y Boosting. El conjunto de datos contiene imágenes de Resonancia Magnética (RM) ponderadas en T1 de más de 1800 pacientes, y se extrajeron aproximadamente 143 características utilizando la herramienta confiable FreeSurfer (6.0). En este estudio, se realizó un análisis importante utilizando búsqueda en malla y validación cruzada para entrenar los modelos y optimizar los hiperparámetros para prevenir el sobreajuste. Los resultados muestran que un modelo de ensamble apilado de SVR y XGBoost superó a los otros modelos, con un error absoluto medio (MAE) de 4.65 y un valor R2 de 0.92 en el conjunto de datos de entrenamiento, mientras que 6.62 y 0.85 en el conjunto de prueba respectivamente. Los resultados de validación indicaron que los modelos de regresión y las técnicas de ensamble para la predicción de la edad cerebral proporcionan una combinación poderosa de interpretabilidad, precisión y robustez.