En este seminario, Santiago presentará un marco de machine learning en dos etapas para la clasificación de la enfermedad de Alzheimer (AD) y el descubrimiento de biomarcadores a partir de datos de fMRI en estado de reposo. La primera etapa utiliza un β-Variational Autoencoder (β-VAE) convolucional para aprender representaciones compactas de la conectividad funcional cerebral. En la segunda etapa, estas representaciones se utilizan para entrenar clasificadores supervisados que discriminan entre sujetos cognitivamente normales (CN) y pacientes con AD, alcanzando un AUC robusto (0.814 ± 0.038). Finalmente, aplica un pipeline de Inteligencia Artificial Explicable (XAI), combinando SHAP e Integrated Gradients, para identificar los biomarcadores de conectividad más relevantes. Los resultados revelan una firma de conectividad estable y coherente, caracterizada por una disrupción en las redes de Modo por Defecto, Límbica y Visual, y una marcada lateralización hacia el hemisferio derecho.
Santiago V. Blas Laguzza es becario doctoral del CONICET en el Instituto de Matemática Aplicada del Litoral (IMAL-CONICET-UNL). Su investigación se centra en la aplicación de deep learning y métodos de IA explicable (XAI) al análisis de neuroimágenes, con un enfoque específico en el descubrimiento de biomarcadores de conectividad funcional en la enfermedad de Alzheimer a partir de datos de fMRI en estado de reposo
