Este artículo investiga el aprendizaje abreviado y los problemas de sesgo demográfico en algoritmos de aprendizaje profundo (DL) para el diagnóstico de la enfermedad de Alzheimer (EA) mediante imágenes por resonancia magnética (IRM). Primero, examinamos si los algoritmos de DL pueden identificar la raza o el género en exploraciones de IRM cerebral 3D, identificando así cambios distributivos basados en la raza y el género. A continuación, investigamos si los desequilibrios del conjunto de entrenamiento basados en la raza o el género degradan el rendimiento del modelo, identificando así el aprendizaje abreviado y el sesgo. Finalmente, realizamos análisis cuantitativos y cualitativos de atribuciones de características en diferentes regiones cerebrales tanto para atributos protectores como para tareas de clasificación de EA. Utilizando múltiples conjuntos de datos y modelos de DL (ResNet y SwinTransformer), demostramos la presencia de aprendizaje abreviado y sesgos basados en la raza y el género en la clasificación de EA basada en DL. Este estudio sienta las bases para herramientas de diagnóstico de DL más imparciales en IRM cerebral.
