Comparación de métricas entre modelos de aprendizaje máquina y explicabilidad de estos para la detección temprana de MCI (Mild Cognitive Impairment)
Bibliographic record
Abstract
[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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.055 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.006 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".