Esta actuación se enmarca en el PLAN TCUE 2024-2027 financiado por la Junta de Castilla y León
TITULO DEL PROYECTO: Desarrollo de una solución para la detección de diferentes patologías a partir de la voz haciendo uso de un modelo multimodal de Deep Learning Autora: María Lucía Velázquez Ganoza Tutores Académicos: Gabriel Villarrubia González, Sergio García González
CURSO 2025-2026
1. Descripción General del Proyecto NeuroLingua es una plataforma orientada a profesionales sanitarios para apoyar el cribado del deterioro cognitivo asociado a la enfermedad de Alzhéimer mediante el análisis de la voz. Integra un modelo multimodal de Deep Learning que combina características acústicas, la transcripción de la grabación y metadatos clínicos para clasificar las muestras en HC, MCI o AD. Además, permite gestionar usuarios, pacientes y pruebas, automatizando el procesamiento de las muestras y la consulta posterior de los resultados obtenidos. La solución se plantea como una herramienta de apoyo a la decisión médica, manteniendo siempre el criterio del profesional sanitario por encima de la predicción del modelo.
2. Objetivos El objetivo principal del proyecto ha sido diseñar y desarrollar una plataforma funcional que permita a los profesionales sanitarios realizar pruebas de apoyo a la detección temprana del deterioro cognitivo. Para ello se plantearon como objetivos el procesamiento automático del audio, la generación de transcripciones, la obtención de predicciones mediante un modelo multimodal, la visualización de resultados y niveles de confianza, la gestión de usuarios, pacientes y pruebas y la incorporación de un mecanismo de realimentación del modelo mediante fine-tuning. También se buscó integrar todas estas funcionalidades en un entorno sencillo de utilizar, sin requerir conocimientos específicos de inteligencia artificial por parte del usuario
3. Resultados obtenidos (aplicabilidad) Como resultado se ha obtenido un prototipo funcional que integra la plataforma, el backend y el modelo multimodal de inteligencia artificial. El modelo alcanzó aproximadamente un 75 % de exactitud y un 74 % de F1macro en su evaluación interna. La solución permite realizar y gestionar pruebas de voz de forma automatizada y presenta aplicabilidad potencial en hospitales, centros especializados y residencias como herramienta de apoyo al cribado cognitivo, aunque requiere validación clínica antes de su implantación real.