Modelo basado en Rust en la detección eficiente de Alzheimer en imágenes de resonancia magnética cerebral

Abstract

Contexto: la detección temprana de la enfermedad de Alzheimer mediante imágenes de resonancia magnética requiere modelos con alta precisión diagnóstica y, al mismo tiempo, implementaciones eficientes para su despliegue. Objetivo: comparar tres estrategias de clasificación multiclase de MRI cerebral y analizar la viabilidad de migrar el mejor modelo a un pipeline de inferencia en Rust. Método: se trabajó con un conjunto público de 6400 imágenes distribuidas en cuatro clases diagnósticas. Se aplicó partición en entrenamiento, validación y prueba, balanceo mediante aumento seguro de datos y, según el modelo, técnicas complementarias como selección de características por información mutua y SMOTETomek. Se evaluaron un modelo híbrido CNN + mRMR + KNN, ADD-Net y un ensamble Master-Slave basado en VGG-16. Resultados: el modelo híbrido obtuvo la mejor exactitud en prueba (94.38%) y el mejor F1 ponderado (0.94), seguido por ADD-Net (86.99%; F1 = 0.87) y el ensamble Master-Slave (75.73%; F1 = 0.76). En la comparación de despliegue, Rust redujo el tiempo de inferencia de 34.47 s a 3.43 s para 128 imágenes y elevó el rendimiento de 3.71 a 37.31 imágenes por segundo, aunque con una reducción de 6.25 puntos porcentuales en exactitud frente a Python. Conclusiones: el enfoque híbrido fue el más sólido para la clasificación multiclase, mientras que Rust mostró alto potencial para inferencia eficiente, sujeto a una mejor alineación del preprocesamiento para preservar la fidelidad predictiva.