La población que padece demencia crece de manera continua año tras año, siendo el Alzheimer una de las patologías subyacentes más comunes. Hoy en día el Alzheimer supone entre un 60 y un 80% del total de casos de demencia. La detección del Alzheimer durante sus fases iniciales, así como el hecho de poder distinguirlo de otras posibles causas del deterioro cognitivo, es crucial de cara a poder facilitar una asistencia y tratamiento precoz a aquellos que lo padecen. Los tests neuropsicógicos son una herramienta muy útil para realizar esta detección. No obstante, en la actualidad, los clínicos especializados cuantifican los resultados manualmente. Realizar el análisis de los test de manera manual comporta mucho tiempo de dedicación y está sujeto a la eficiencia que puedan tener los profesionales encargados de realizarlo. Las técnicas de machine learning (ML) son un método alternativo al análisis manual que permiten la automatización de la tarea y, además, permiten realizar análisis más complejos que, de manera tradicional, habría sido complicado llevar a cabo. El objetivo de este proyecto ha sido clasificar sujetos en tres posibles clases: demencia tipo Alzheimer, deterioro cognitivo leve y envejecimiento normal. La clasificación se ha realizado mediante la implementación de cinco algoritmos de ML: análisis discriminante lineal, análisis discriminante cuadrático, redes neuronales, support vector machines y un algoritmo de combinación denominado Bagging. Además, se ha usado una técnica de reducción de características (MDA), aplicándose para la reducción a dos características y a una característica de los test, respectivamente. Esta técnica se ha probado en todos los clasificadores diseñados durante el proyecto para valorar el posible impacto de la misma en el proceso de diseño. El algoritmo de Bagging implementado a partir del uso de redes neuronales como clasificador base es el que ha obtenido mejores resultados en términos de probabilidad de error. En cambio, el análisis discriminante cuadrático ha sido el peor. También, se ha podido verificar que el uso de una técnica de extracción mejora los resultados notablemente. En resumen, los resultados mostrados en el proyecto demuestran que se pueden aplicar técnicas de ML para automatizar los procesos de diagnóstico clínico del deterioro cognitivo.

La població que pateix demència creix contínuament any rere any, essent l'Alzheimer una de les patologies subjacents més comunes. Avui en dia, l'Alzheimer suposa entre un 60 i un 80% del total de casos de demència. La detecció de l'Alzheimer durant les seves fases inicials, així com el fet de poder distingir-lo d'altres possibles causes del deteriorament cognitiu és crucial per poder facilitar una assistència i tractament precoç a aquells que el pateixin. Els tests neuropsicològics són una eina molt útil per poder realitzar la detecció, però, en l'actualitat, els clínics especialitzats quantifiquen els resultats obtinguts manualment. Fer l'anàlisi dels test de manera manual suposa molt temps de dedicació i està subjecte a l'eficiència que puguin tenir els professionals encarregats de portar-ho a terme. Les tècniques de machine learning (ML) són un mètode alternatiu a l'anàlisi manual i permeten l'automatització de la tasca. Addicionalment, obren un món de noves possibilitats a realitzar anàlisis més complexes que, de manera tradicional, hauria sigut complicat portar a terme. L'objectiu d'aquest projecte ha estat classificar subjectes en tres possibles classes: demència tipus Alzheimer, deteriorament cognitiu lleu i envelliment normal. La classificació s'ha realitzat mitjançant cinc algoritmes de ML: anàlisis discriminant lineal, anàlisis discriminant quadràtic, xarxes neuronals, support vector machines i un algoritme de combinació denominat Bagging. A més, s'ha utilitzat una tècnica de reducció de característiques (MDA). Aquesta s'ha aplicat per a la reducció a dos característiques i a una característica dels tests, respectivament, a més d'haver-se provat en tots els classificadors dissenyats durant el projecte amb l'objectiu de valorar el possible impacte de la mateixa en el procés de disseny. L'algoritme de Bagging utilitzant xarxes neuronals com a classificador base és aquell que ha obtingut millors resultats en termes de probabilitat d'error. En canvi, l'anàlisi discriminant quadràtic ha sigut el pitjor. A més, s'ha pogut verificar que l'ús d'una tècnica d'extracció de característiques millora els resultats notablement. En resum, els resultats mostrats en el projecte demostren que es poden aplicar tècniques de ML per automatitzar els processos de diagnòstic clínic del deteriorament cognitiu.

Population suffering from dementia is steadily growing, being Alzheimer’s Disease (AD) one of the most common underlying pathologies. Nowadays, AD accounts for an estimated 60 to 80 % of dementia cases. The detection of AD at early stages and the distinction from other causes for cognitive impairment can be crucial to bring an optimal support to individuals suffering from it, as well as for early treatments. Neuropsychological tests are a powerful tool to carry out the detection, which has traditionally been carried out manually by clinicians. Such manual detection is time intensive and it is also subject to the efficiency and accuracy of the person in charge of it. Machine learning (ML) algorithms are an alternative method that can provide an automated process of detection. Moreover, they can also provide valuable insights into diagnosis and classification that otherwise could not been possible to obtain. In this project, it was aimed to classify subjects in three clinical diagnosis classes: normal aging (NA), mild cognitive impairment (MCI) and Alzheimer’s Disease (AD), through the implementation of five ML algorithms: Linear discriminant analysis (LDA), Quadratic discriminant analysis (QDA), Artificial Neural Networks (ANN’s), Support Vector Machines (SVM) and a combination technique called Bagging. Additionally, a feature extraction method called multiple discriminant analysis (MDA) has been tried for a two features projection and a one feature projection case, for each of the designed classifiers. The Bagging algorithm implemented with ANN’s as a base classifier has provided the best results in terms of error probability while the QDA has offered the lowest one. Also, the usage of MDA has proved that better results can be obtained with it rather than without a projection strategy. Overall, the results shown in this project indicate that ML classifiers can be used to automatize clinical diagnosis of individuals with cognitive impairment.