Clasificador Dempster-Shafer potenciado con metaheurísticas y selección de características para la predicción de la progresión de osteoartritis temporomandibular

Resumen

La predicción temprana de la progresión de la osteoartritis temporomandibular (TMJ-OA) representa un desafío clínico significativo. En este trabajo se propone una versión mejorada del clasificador Dempster-Shafer, potenciado mediante el algoritmo metaheurístico Reptile Search Algorithm (RSA) para optimizar la función de Binary Cross-Entropy (BCE) y abordar la identificación de la progresión de TMJ-OA como un problema de clasificación binaria. Se implementa una estrategia de selección de características basada en la técnica de Permutation Feature Importance (PFI), guiada por la importancia atribuida por el propio modelo Dempster-Shafer. Esta metodología permitió reducir eficazmente la dimensionalidad de 141 a 10 características relevantes, derivadas de datos clínicos e imagenológicos de un conjunto de 66 pacientes. Las características seleccionadas se emplearon para entrenar ocho modelos clásicos de aprendizaje automático: Logistic Regression, Random Forest, Gradient Boosting, Support Vector Machine, K-Nearest Neighbors, Gaussian Naive Bayes (GNB), Decision Tree, y AdaBoost. El clasificador optimizado mostró un rendimiento competitivo (accuracy = 0,9095 ± 0,0744; ROC AUC = 0,9467 ± 0,0705; F1-score = 0,8590 ± 0,1280), comparable al de Random Forest y GNB, pero con una calibración probabilística superior. La integración de metaheurísticas y una selección de características específica del modelo mejora la precisión y la interpretabilidad del sistema, proponiendo una alternativa eficiente y explicable para la predicción de la progresión de TMJ-OA.