Un nuevo modelo híbrido de aprendizaje profundo utilizando MEResNext para la detección de trastornos del espectro...

Área de la Ciencia:

• Neurología
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• El trastorno del espectro autista (TEA) es una condición neurológica caracterizada por desafíos en la interacción social, la comunicación y los comportamientos repetitivos.
• La identificación temprana y la intervención son cruciales para el manejo de los TEA, lo que potencialmente reduce la necesidad de evaluaciones extensas y procedimientos médicos costosos.
• El diagnóstico oportuno de TEA puede mitigar los efectos a largo plazo y reducir la gravedad de los síntomas.

Objetivo del estudio:

• Desarrollar y evaluar un método híbrido de aprendizaje profundo para la detección precisa del trastorno del espectro autista (TEA).
• Mejorar los modelos existentes para el diagnóstico de TEA mediante técnicas avanzadas de selección y clasificación de características.

Principales métodos:

• Un enfoque híbrido de aprendizaje profundo que involucra tres etapas: preprocesamiento, selección de características y detección de TEA.
• El procesamiento previo de datos utilizó la transformación Yeo-Jhonson para la eliminación de ruidos y artefactos.
• La selección de características se realizó utilizando un optimizador de rebaño de alces de alisado exponencial doble (DeSEHO), integrando el alisado exponencial doble (DES) con el optimizador de rebaño de alces (EHO).
• La detección de TEA se realizó utilizando Moments Embedding ResNeXt (MEResNeXt), una fusión de Moments Embedding Network (MoNet) y ResNeXt.

Principales resultados:

• El modelo MEResNeXt propuesto demostró un rendimiento superior al de los modelos tradicionales.
• Alcanzó una precisión del 95,3%, sensibilidad del 96,5% y especificidad del 94,8% en la detección de TEA.
• El método de aprendizaje profundo híbrido identificó efectivamente las características clave para la clasificación de TEA.

Conclusiones:

• El modelo MEResNeXt representa un avance significativo en el aprendizaje profundo para la detección de trastornos del espectro autista.
• El estudio destaca el potencial de los enfoques híbridos de IA para el diagnóstico preciso y eficiente de trastornos neurológicos.
• La detección temprana y precisa de TEA utilizando métodos computacionales avanzados puede conducir a mejores resultados para los pacientes.