Aplicación de redes siamesas y técnicas contrastivas sobre datos tabulares para el diagnóstico del deterioro cognitivo
Aplicar técnicas de inteligencia artificial en el ámbito sanitario supone un desafío debido a la escasez de datos etiquetados, el tamaño reducido de los conjuntos disponibles y la necesidad de interpretabilidad en los modelos. Detectar el deterioro cognitivo de forma precoz es una prioridad en el ám...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/30314 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/30314 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.17 Informática deterioro cognitivo aprendizaje contrastivo redes siamesas datos tabulares clasificación supervisada diagnóstico clínico cognitive impairment contrastive learning Siamese networks tabular data supervised classification clinical diagnosis |
| Sumario: | Aplicar técnicas de inteligencia artificial en el ámbito sanitario supone un desafío debido a la escasez de datos etiquetados, el tamaño reducido de los conjuntos disponibles y la necesidad de interpretabilidad en los modelos. Detectar el deterioro cognitivo de forma precoz es una prioridad en el ámbito clínico, especialmente en fases iniciales donde las intervenciones tempranas pueden mitigar significativamente su progresión. Este trabajo explora la aplicabilidad de técnicas de aprendizaje contrastivo, incluyendo redes siamesas (offline y online), SimCLR, SupCon, Joint Contrastive Classifier y Triplet Loss, para generar representaciones discriminativas a partir de un conjunto real de datos clínicos con solo 314 muestras. Para ello, se ha desarrollado una metodología experimental, que incluye la comparación de funciones de distancia, estrategias de generación de pares y técnicas de balanceo, tanto clásicas como aplicadas durante el entrenamiento. Los modelos contrastivos se han evaluado sobre tres subconjuntos binarios y uno multiclase, y sus resultados se han comparado con modelos clásicos de aprendizaje automático. Los experimentos muestran que, aunque las técnicas contrastivas resultan competitivas en tareas binarias más simples, los modelos clásicos mantienen una ventaja general, especialmente en escenarios multiclase más complejos. Los resultados obtenidos mediante aprendizaje contrastivo refuerzan el valor de este enfoque como herramienta complementaria para el diagnóstico temprano en contextos reales con escasez de datos, donde el tamaño limitado de las muestras representa una barrera habitual para la aplicación de métodos avanzados de inteligencia artificial. |
|---|