Transfer learning aplicado a la clasificación de la enfermedad de Alzheimer en neuroimágenes: revisión sistemática

• Autor: Mendoza Linares, Alexis Ansony
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/16977
• Enlace del recurso: https://hdl.handle.net/20.500.12802/16977
• Nivel de acceso: acceso abierto
• Materia: Enfermedad de Alzheimer; Transfer learning; Deep learning; Neuroimagen cerebral; MRI; https://purl.org/pe-repo/ocde/ford#2.02.04

La enfermedad de Alzheimer es una de las principales causas de demencia a nivel mundial y plantea retos relevantes para el diagnóstico temprano, pese a los avances en neuroimagen y en métodos computacionales basados en inteligencia artificial. En este contexto, el aprendizaje por transferencia se ha consolidado como una estrategia eficaz para mejorar el rendimiento de los modelos de clasificación cuando la disponibilidad de datos etiquetados es limitada. El objetivo de esta revisión sistemática es sintetizar la evidencia reciente sobre la aplicación del transfer learning en la clasificación del Alzheimer a partir de neuroimágenes, identificando arquitecturas, modalidades de imagen, conjuntos de datos, estrategias de transferencia y métricas de desempeño. Se siguieron las directrices PRISMA y se realizaron búsquedas en Scopus y Web of Science, seleccionando estudios que emplean modelos de deep learning preentrenados. Los resultados evidencian un aumento de publicaciones, el uso predominante de arquitecturas convolucionales como VGG, ResNet y EfficientNet, la relevancia de la MRI estructural y la PET, y el uso frecuente de bases de datos públicas como ADNI y OASIS. En la discusión se analizan limitaciones metodológicas como conjuntos de datos reducidos, heterogeneidad en métricas y baja interpretabilidad. Se concluye que el transfer learning es una herramienta prometedora, aunque persisten desafíos relacionados con la generalización, la explicabilidad y la estandarización de protocolos.