Comparación de métricas entre modelos de aprendizaje máquina y explicabilidad de estos para la detección temprana de MCI (Mild Cognitive Impairment)
Notice bibliographique
Résumé
[Resumen]: La memoria humana es el proceso de almacenamiento de información para su posterior reconstrucción. Esta no siempre funciona a la perfección y a medida que pasan los años se degenera aún más. Sin embargo algunas personas de avanzada edad pueden olvidar cosas con mayor frecuencia que otras. Esta afección se conoce como ”Deterioro Cognitivo Leve” o DCL. El Test de Evaluación Cognitiva de Montreal, o test MoCA pretende evaluar áreas de atención y concentración, así como otras funciones cognitivas como memoria, habilidades visuoespaciales, lenguaje, cálculo, razonamiento y la orientación. A pesar de su gran fiabilidad y la rapidez con la que es posible contestarlo, el problema recae en la obtención de la prueba para su realización. La meta de este proyecto es realizar un análisis del estado del arte de la inteligencia artificial en el campo de la medicina, más concretamente en la neurología. Una vez completado, ahondar en las opciones que han sido exploradas para enfrentarse a pruebas del test MoCA, seleccionando la rama que incluye preguntas relacionadas con áreas visuoespaciales y ejecutivas. Posteriormente, se emplearían técnicas de aprendizaje automático, transferencia del conocimiento y visión artificial con el objetivo de comparar las métricas entre una serie de modelos seleccionados, comprobando cuál obtiene mejores resultados y usando técnicas de explicabilidad para conocer el motivo. Todos los objetivos, procesos y resultados, así como trabajos futuros serán expuestos en mayor detalle más adelante.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».