This project stems from updating and modifying the TADPOLE Challenge database in 2021, alongside the implementation, modification, and retraining of the Nguyen2020 neural network. This improved performance significantly, yielding competitive results. The model was employed in the Bachelor's Thesis: "Prediction of Alzheimer's vs. Dementia".
The primary objective of this project was to assess the efficacy of recurrent neural networks (RNN), particularly the minimal RNN algorithm, in improving predictions for Alzheimer's disease detection by expanding the provided data. The network was modified and retrained, achieving notable results. Improving the database led to better predictions and a more balanced dataset.
- TADPOLE database update and expansion
- Modification and retraining of the Nguyen2020 model
- Significant improvement in prediction accuracy
- Optimized for the 2021 TADPOLE Challenge
- Implementation of recurrent neural networks (minimal RNN)
- Comparison with SVM/SVR models
In recent years, artificial intelligence has found significant applications in medicine, particularly in diseases like Alzheimer's. This project explores how modifying and retraining recurrent neural networks can assist in early detection, using updated data from the TADPOLE Challenge.
Various solutions were presented and evaluated, adapting the proposed algorithms to the new dataset and using minimal RNN and SVM/SVR, which showed good results. The research suggests that these models can continue improving as longitudinal data expands.
Alzheimer’s is a complex disease to predict. This project concludes that adapting new data and using the minimal RNN, along with SVM/SVR, enhances predictions. However, there is still room for improvement in long-term predictions, and early detection remains crucial for the model's effectiveness.
Este proyecto es el resultado de la actualización y modificación de la base de datos del TADPOLE Challenge en 2021, junto con la implementación de la red neuronal Nguyen2020, la cual fue modificada y reentrenada, mejorando significativamente los resultados obtenidos. Fue utilizado en el Trabajo de Fin de Grado: "Predicción de Alzheimer frente a Demencia".
El objetivo principal de este trabajo fue comprobar la eficacia de las redes neuronales recurrentes (RNN), específicamente el algoritmo de RNN mínima, para mejorar la predicción en la detección de la enfermedad de Alzheimer mediante la ampliación de los datos proporcionados. La red fue modificada y reentrenada, logrando resultados competitivos en el desafío. La mejora de la base de datos permitió mejores predicciones y un mejor equilibrio en los datos.
- Actualización y ampliación de la base de datos TADPOLE
- Modificación y reentrenamiento del modelo Nguyen2020
- Mejora significativa en la precisión de las predicciones
- Optimización para el desafío TADPOLE 2021
- Implementación de redes neuronales recurrentes (RNN mínima)
- Comparación con modelos SVM/SVR
En los últimos años, el uso de la inteligencia artificial está encontrando una gran cabida dentro del sector de la medicina, especialmente en enfermedades como el Alzheimer. Este proyecto explora cómo la modificación y reentrenamiento de redes neuronales recurrentes pueden ayudar en la detección temprana del Alzheimer, utilizando datos actualizados del TADPOLE Challenge.
Se presentaron y evaluaron diferentes soluciones, adaptando los algoritmos propuestos a la nueva base de datos y utilizando RNN mínima y SVM/SVR, que demostraron buenos resultados. La investigación sugiere que estos modelos pueden seguir mejorando a medida que los datos longitudinales continúan ampliándose.
El Alzheimer es una enfermedad compleja de predecir. Este trabajo concluye que la adaptación de nuevos datos y el uso de la RNN mínima, junto con SVM/SVR, permite mejorar las predicciones. Sin embargo, aún hay margen de mejora en las predicciones a largo plazo, y la detección temprana sigue siendo clave para la eficacia del modelo.