COMPARACIÓN DEL ÁREA BAJO LA CURVA (AUC-ROC) DE DIVERSOS MODELOS DE PROCESAMIENTO DE SEÑALES APLICADOS A LA DETECCIÓN DE LA ENFERMEDAD DE ALZHEIMER

Introducción: La enfermedad de Alzheimer representa la causa más frecuente de demencia a nivel mundial, afectando a más de 55 millones de personas y proyectándose a duplicar esta cifra en las próximas dos décadas. Su impacto no se limita al deterioro cognitivo progresivo del paciente, sino que se extiende a las familias, los sistemas de salud y la economía global.. Objetivo: Comparar el rendimiento diagnóstico de seis modelos de procesamiento de señales mediante el área bajo la curva ROC (AUC-ROC) para la detección temprana del Alzheimer y del deterioro cognitivo leve amnésico. Metodología: Se analizaron datos de 180 participantes distribuidos equitativamente entre tres grupos diagnósticos, obtenidos de la base pública ADNI-3. Se evaluaron modelos CNN, LSTM, SVM-RBF, Random Forest, Regresión Logística y KNN, entrenados con vectores de conectividad funcional derivados de rs-fMRI y reducidos mediante análisis de componentes principales. Resultados: La CNN alcanzó el mayor AUC-ROC (0.94) para la distinción Alzheimer vs. control, seguida por LSTM (0.91) y SVM-RBF (0.89). Para la detección del deterioro cognitivo leve, el rendimiento fue moderado en todos los modelos, con valores entre 0.64 y 0.83, reflejando la mayor complejidad diagnóstica de este estadio. Conclusión: Los modelos de aprendizaje profundo, especialmente CNN y LSTM, superan consistentemente a los métodos clásicos en la detección temprana del Alzheimer.