Dissertation/ Thesis
Prediccio de l'estat cognitiu de pacients amb malalties neurologiques mitjançant xarxes neuronals artificials amb dades cognitives de la bateria Neuronorma
| Τίτλος: | Prediccio de l'estat cognitiu de pacients amb malalties neurologiques mitjançant xarxes neuronals artificials amb dades cognitives de la bateria Neuronorma |
|---|---|
| Συγγραφείς: | Rivera Avila, Nieves |
| Thesis Advisors: | Cabrera-Bean, Margarita, Vilarroya Oliver, Óscar |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Autònoma de Barcelona, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 285 p. |
| Θεματικοί όροι: | Esclerosi múltiple, Multiple sclerosis, Esclerosis múltiple, Parkinson, Xarxa neuronal artifical, Artificial neural network, Red neuronal artificial, Ciències de la Salut |
| Time: | 616.8 |
| Περιγραφή: | El deteriorament cognitiu lleu (DCL) es defineix com un estat transitori entre l’envelliment normal (EN) i diverses formes de demència. Les xarxes neuronals artificials (XNA) constitueixen una eina d’aprenentatge automàtic d’elevada potència, capaç d’oferir als professionals sanitaris un suport valuós en la presa de decisions diagnòstiques. L’objectiu principal d’aquesta recerca ha estat identificar la configuració de XNA amb millor rendiment per a la classificació de subjectes en dues patologies: l’esclerosi múltiple en fase remitent-recurrent (EMRR) i la malaltia de Parkinson (MP), utilitzant dades neuropsicològiques provinents de la bateria Neuronorma (NN). Aquesta bateria inclou 33 proves que avaluen els dominis cognitius essencials: atenció, llenguatge, memòria, funció executiva i funció visuoespacial. La tesi s’ha estructurat en dos estudis independents —EMRR i MP— precedits, en ambdós casos, per una etapa de clusterització amb l’objectiu d’identificar patrons cognitius diferenciats. En l’estudi de l’EMRR, motivat per la manca d’escales neuropsicològiques robustes que defineixin els estats cognitius d’aquests pacients, s’han comparat diferents esquemes de classificació a partir de tres bases de dades: (1) CEMRR: subjectes amb EMRR juntament amb subjectes control; (2) EMRR: només pacients amb EMRR; i (3) C+EMRR: subjectes control com a classe 1 i pacients amb EMRR dividits en classes 2 i 3 segons la clusterització prèvia. Aquestes bases s’han analitzat amb configuracions de 2, 3 i 4 clústers. En l’estudi de la MP s’ha comparat la classificació obtinguda mitjançant clusterització amb la derivada de l’etiquetatge proporcionat per l’escala SCOPA-Cog (Scales for Outcomes of Parkinson’s Disease-Cognition). S’han utilitzat quatre bases de dades: (1) CMP_Clúster: pacients amb MP més controls amb clusterització prèvia de tota la mostra; (2) CMP_SCOPA-Cog: pacients amb MP etiquetats amb SCOPA-Cog més controls; (3) MP_Clúster: només pacients amb MP amb clusterització; i (4) MP_SCOPA-Cog: només pacients amb MP etiquetats amb SCOPA-Cog. En tots els casos, les bases de dades han estat estructurades considerant una partició en tres classes. Per a cadascun dels estudis, les XNA seleccionades s’han sotmès a una anàlisi de sensibilitat mitjançant valors de Shapley per identificar les variables neuropsicològiques amb major pes predictiu en la decisió diagnòstica. La validació dels resultats s’ha dut a terme comparant-los amb altres classificadors: Classificador Discriminant Lineal (LDC), Linear Support Vector Machine (LSVM) i Arbres de Decisió (AD). La cerca de la XNA òptima s’ha basat en dues variables clau: (1) La dimensió del vector de característiques d’entrada, optimitzada mitjançant una transformació desenvolupada en aquesta recerca, consistent en una reducció de característiques amb Anàlisi per Múltiples Discriminants (MDA). Aquesta reducció no s’ha limitat a c-1 característiques (on c és el nombre de clústers), sinó que ha consistit a reduir cada prova multivariant a una única característica; (2) El nombre capes ocultes i de neurones en cada capa. En el cas de l’EMRR, la XNA òptima utilitza les puntuacions directes sense reducció de la base CEMRR amb 3 clústers, dues capes ocultes i 50 neurones simètriques per capa, aconseguint una precisió del 95,35%. L’anàlisi de sensibilitat ha identificat el Symbol Digit Modalities Test (SDMT) i el Free and Cued Selective Reminding Test (FCSRT, record diferit lliure) com les proves més predictives. En la MP, la XNA òptima parteix de les puntuacions directes sense reducció de la base MP_Clúster, amb dues capes ocultes i 25 neurones simètriques per capa, assolint una precisió del 100%. L’anàlisi de sensibilitat ha determinat que el FCSRT record diferit total actua com a marcador cognitiu principal en aquesta patologia. Tots els experiments i implementacions s’han desenvolupat utilitzant el llenguatge de programació MATLAB®. |
| Description (Translated): | El deterioro cognitivo leve (DCL) se define como un estado transitorio entre el envejecimiento normal (EN) y diversas formas de demencia. Las redes neuronales artificiales (RNA) constituyen una herramienta de aprendizaje automático de gran potencia, capaz de ofrecer a los profesionales sanitarios un apoyo valioso en la toma de decisiones diagnósticas. El objetivo principal de esta investigación ha sido identificar la configuración de la RNA con mejor rendimiento para la clasificación de sujetos en dos patologías: la esclerosis múltiple en fase remitente-recurrente (EMRR) y la enfermedad de Parkinson (EP), utilizando datos neuropsicológicos procedentes de la batería Neuronorma (NN). Esta batería incluye 33 pruebas que evalúan los dominios cognitivos esenciales: atención, lenguaje, memoria, función ejecutiva y función visuoespacial. La tesis se ha estructurado en dos estudios independientes —EMRR y EP— precedidos, en ambos casos, por una etapa de clusterización con el objetivo de identificar patrones cognitivos diferenciados. En el estudio de la EMRR, motivado por la falta de escalas neuropsicológicas robustas que definan los estados cognitivos de estos pacientes, se han comparado diferentes esquemas de clasificación a partir de tres bases de datos: (1) CEMRR: sujetos con EMRR junto con sujetos control; (2) EMRR: solo pacientes con EMRR; y (3) C+EMRR: sujetos control como clase 1 y pacientes con EMRR divididos en clases 2 y 3 según la clusterización previa. Estas bases se han analizado con configuraciones de 2, 3 y 4 clústeres. En el estudio de la EP se ha comparado la clasificación obtenida mediante clusterización con la derivada del etiquetado proporcionado por la escala SCOPA-Cog (Scales for Outcomes of Parkinson’s Disease-Cognition). Se han utilizado cuatro bases de datos: (1) CMP_Clúster: pacientes con EP más controles con clusterización previa de toda la muestra; (2) CMP_SCOPA-Cog: pacientes con EP etiquetados con SCOPA-Cog más controles; (3) MP_Clúster: solo pacientes con EP con clusterización; y (4) MP_SCOPA-Cog: solo pacientes con EP etiquetados con SCOPA-Cog. En todos los casos, las bases de datos se han estructurado considerando una partición en tres clases. Para cada uno de los estudios, las RNA seleccionadas se han sometido a un análisis de sensibilidad mediante valores de Shapley para identificar las variables neuropsicológicas con mayor peso predictivo en la decisión diagnóstica. La validación de los resultados se ha llevado a cabo comparándolos con otros clasificadores: Clasificador Discriminante Lineal (LDC), Linear Support Vector Machine (LSVM) y Árboles de Decisión (AD). La búsqueda de la RNA óptima se ha basado en dos variables clave: (1) la dimensión del vector de características de entrada, optimizada mediante una transformación desarrollada en esta investigación, consistente en una reducción de características con Análisis por Múltiples Discriminantes (MDA). Dicha reducción no se ha limitado a c-1 características (donde c es el número de clústeres), sino que ha consistido en reducir cada prueba multivariante a una única característica; (2) el número de capas ocultas y de neuronas ocultas en cada capa. En el caso de la EMRR, la RNA óptima utiliza las puntuaciones directas sin reducción de la base CEMRR con 3 clústeres, dos capas ocultas y 50 neuronas ocultas simétricas por capa, alcanzando una precisión del 95,35%. El análisis de sensibilidad ha identificado el Symbol Digit Modalities Test (SDMT) y el Free and Cued Selective Reminding Test (FCSRT, recuerdo diferido libre) como las pruebas más predictivas. En la EP, la RNA óptima parte, también, de las puntuaciones directas sin reducción de la base MP_Clúster, con dos capas ocultas y 25 neuronas ocultas simétricas por capa, logrando una precisión del 100%. El análisis de sensibilidad ha determinado que el FCSRT recuerdo diferido total actúa como marcador cognitivo principal en esta patología. Todos los experimentos e implementaciones se han desarrollado utilizando el lenguaje de programación MATLAB®. The mild cognitive impairment (MCI) is defined as a transitional state between normal aging (NA) and various forms of dementia. Artificial neural networks (ANNs) constitute a powerful machine learning tool capable of providing valuable support to healthcare professionals in diagnostic decision-making. The main objective of this research was to identify the ANN configuration with the best performance for classifying subjects into two pathologies: relapsing-remitting multiple sclerosis (RRMS) and Parkinson’s disease (PD), using neuropsychological data from the Neuronorma (NN) battery. This battery includes 33 tests assessing the essential cognitive domains: attention, language, memory, executive function, and visuospatial function. The thesis is structured in two independent studies —RRMS and PD— both preceded by a clustering stage aimed at identifying distinct cognitive patterns. In the RRMS study, motivated by the lack of robust neuropsychological scales defining the cognitive status of these patients, different classification schemes were compared using three datasets: (1) CEMRR: subjects with RRMS together with controls; (2) EMRR: only RRMS patients; and (3) C+EMRR: controls as class 1 and RRMS patients divided into classes 2 and 3 according to the previous clustering. These datasets were analyzed using configurations of 2, 3, and 4 clusters. In the PD study, the classification derived from the clustering was compared with that obtained using the labeling provided by the SCOPA-Cog (Scales for Outcomes of Parkinson’s Disease–Cognition) scale. Four datasets were used: (1) CMP_Cluster: PD patients and controls with prior clustering of the entire sample; (2) CMP_SCOPA-Cog: PD patients labeled with SCOPA-Cog plus controls; (3) MP_Cluster: only PD patients with clustering; and (4) MP_SCOPA-Cog: only PD patients labeled with SCOPA-Cog. In all cases, the datasets were structured considering a three-class partition. For each study, the selected ANNs underwent sensitivity analysis using Shapley values to identify the neuropsychological variables with the greatest predictive weight in diagnostic decisions. The results were validated by comparison with other classifiers: Linear Discriminant Classifier (LDC), Linear Support Vector Machine (LSVM), and Decision Trees (DT). The search for the optimal ANN was based on two key variables: (1) the dimensionality of the input feature vector, optimized through a transformation developed in this research, which consists of a feature reduction using Multiple Discriminant Analysis (MDA). This reduction was not limited to c–1 features (where c is the number of clusters), but rather reduced each multivariate test to a single feature; (2) the number of hidden layers and hidden neurons per layer. In the RRMS case, the optimal ANN used the raw scores without reduction from the CEMRR dataset with three clusters, two hidden layers, and 50 symmetric hidden neurons per layer, achieving an accuracy of 95.35%. Sensitivity analysis identified the Symbol Digit Modalities Test (SDMT) and the Free and Cued Selective Reminding Test (FCSRT, free delayed recall) as the most predictive tests. In PD, the optimal ANN was derived also from the raw scores without reduction of the MP_Cluster dataset, with two hidden layers and 25 symmetric hidden neurons per layer, reaching an accuracy of 100%. Sensitivity analysis determined that the FCSRT total delayed recall acts as the main cognitive marker in this pathology. All experiments and implementations were conducted using the MATLAB® programming language. Universitat Autònoma de Barcelona. Programa de Doctorat en Psiquiatria |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | Catalan; Valencian |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/697012 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-sa/4.0/ |
| Αριθμός Καταχώρησης: | edstdx.10803.697012 |
| Βάση Δεδομένων: | TDX |
| Η περιγραφή δεν είναι διαθέσιμη |