Algoritmos para selección de características y clasificación de sujetos para las patologías de dislexia y migraña

Résumé

Las técnicas de Machine Learning y Deep Learning se han extendido en el uso tanto para la predicción como la clasificación en múltiples campos tales como la automoción, energías renovables, finanzas, etc. Pero un campo que está continuamente en desarrollo e investigación es su aplicación en el campo de la medicina. Estas técnicas de aprendizaje automático permite un nuevo método de poder tratar a un paciente en función de unas características generales o particulares en función de la patología que se quiera investigar. Además, también dentro de estas técnicas de Machine y Deep Learning, es muy importante el campo de la selección de características, lo que permite tener presente la importancia y relevancia de cada una de ellas para poder realizar una correcta clasificación. En la realización de esta tesis se ha hecho uso de dos bases de datos, cada una perteneciente a un caso de estudio: una de ellas cuenta con 57 sujetos (dislexia), y la perteneciente al otro caso de estudio con 52 sujetos (migraña); donde en cada una de ellas se encuentran diferentes grupos de sujetos. El primer caso de estudio es el de Dislexia, en el que se encuentran un grupo de controles, un grupo de sujetos con Dislexia y otro grupo con visión monocular. En el segundo caso de estudio, el de Migraña, se cuenta con un grupo de controles, otro grupo de pacientes con migraña esporádica y el ´ultimo grupo de pacientes con migraña crónica y abuso de medicamentos. Para ello se ha diseñado una investigación centrada en cada uno de los dos casos de estudio, en el que se analizan los diversos algoritmos tanto de selección de características como de clasificación para poder clasificar a los sujetos en los diferentes grupos. En segundo lugar se han implementado estos algoritmos para poder aplicarlos a los conjuntos de datos, provenientes de imágenes DTI (Diffusion Tensor Imaging) en los que se obtiene los tractos cerebrales de la materia blanca. Se han aplicado tanto técnicas de Machine Learning, como de Deep Learning. Finalmente, para la validación de esta tesis, se ha realizado un estudio en el que mediante medidas estadísticas, se mide el ratio de acierto de los clasificadores, y la importancia de seleccionar las características más relevantes para obtener un mejor ratio en la clasificación de cada uno de los sujetos. Se ha realizado una comparativa entre los resultados provenientes de los algoritmos de Machine y Deep Learning, obteniendo un resultado positivo para ambos, pero teniendo en cuenta que las técnicas de Deep Learning mejora el acierto en la clasificación. Estos resultados proporcionan un conjunto de algoritmos validados para la ayuda al diagnóstico por parte del profesional médico.