ANÁLISIS DEL DESEMPEÑO DE UN PERCEPTRÓN MULTICAPA PARA EL DIAGNÓSTICO DE ALZHEIMER CONSIDERANDO LA COMBINACIÓN DE TÉCNICAS DE SELECCIÓN DE VARIABLES Y MÉTODOS DE ESCALADO (PERFORMANCE ANALYSIS OF A MULTILAYER PERCEPTRON FOR ALZHEIMER’S DIAGNOSIS CONSIDERING THE COMBINATION OF FEATURE SELECTION TECHNIQUES AND SCALING METHODS)

Resumen

Resumen
El diagnóstico del Alzheimer representa un reto clínico, debido a su carácter multifactorial y la necesidad de identificar patrones sutiles en datos clínicos. Este artículo evalúa el desempeño de un Perceptrón Multicapa (MLP) para el diagnóstico de Alzheimer, comparando cuatro técnicas de selección de características: Chi-cuadrado (Chi²), Información Mutua (MI), Bosque Aleatorio (RF) y Regresión Logística L1; combinadas con cuatro métodos de escalado: Min-Max, StandardScaler, RobustScaler y normalización en dos pasos, sobre datos clínicos. Los resultados muestran que Chi² con RobustScaler alcanzó el mejor desempeño global (exactitud = 0.9069; AUC = 0.9361), y que Chi² y RF fueron los métodos de selección más estables entre métricas. La comparación evidencia que la elección del escalado influye de manera sustantiva en el rendimiento del clasificador e interactúa con la selección de características. Se concluye que flujos de preprocesamiento bien diseñados, integrando selección y escalado, potencian los modelos MLP para la detección de Alzheimer.
Palabras Clave: Escalado de datos, Perceptrón Multicapa (MLP), selección de variables.

Abstract
The diagnosis of Alzheimer’s disease represents a clinical challenge due to its multifactorial nature and the need to identify subtle patterns in clinical data. This study evaluates the performance of a Multilayer Perceptron (MLP) for Alzheimer’s diagnosis, comparing four feature selection techniques: Chi-Squared (Chi²), Mutual Information (MI), Random Forest (RF), and L1 Logistic Regression; combined with four scaling methods: Min-Max, StandardScaler, RobustScaler, and Two-Step Normalization, applied to clinical data. The results show that the Chi² with RobustScaler combination achieved the best overall performance (accuracy = 0.9069; AUC = 0.9361), and that Chi² and RF were the most stable feature selection methods across metrics. The comparison highlights that the choice of scaling significantly affects classifier performance and interacts with feature selection. It is concluded that well-designed preprocessing pipelines integrating selection and scaling enhance the effectiveness of MLP models for Alzheimer’s detection.
Keywords: Data scaling, feature selection, Multilayer Perceptron (MLP).