Un enfoque explicable para el diagnóstico de la enfermedad de Parkinson utilizando el método de explicación...

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo que requiere un diagnóstico temprano.
• La clasificación precisa de la enfermedad de Parkinson es crucial para la intervención y el manejo oportunos.

Objetivo del estudio:

• Clasificar a los individuos con y sin enfermedad de Parkinson utilizando datos volumétricos de resonancia magnética cerebral.
• Mejorar la interpretabilidad del modelo con técnicas de inteligencia artificial explicable (XAI).

Principales métodos:

• Desarrolló una red neuronal profunda (DNN) utilizando 17 características cerebrales volumétricas de 79 participantes (39 PD, 40 controles).
• Utilizó cinco veces la validación cruzada para una evaluación sólida.
• Utilizó el Método de Explicación Contrastiva (CEM) y las Explicaciones Agnóstico-Modelo Interpretables Locales (LIME) para la transparencia del modelo.

Principales resultados:

• El DNN logró una precisión del 94,1%, una especificidad del 98,3%, una sensibilidad del 90,2% y un AUC del 0,97.
• CEM identificó el volumen reducido del hipocampo como un indicador clave de la EP.
• LIME confirmó la importancia y fidelidad de las características, alineándose con los hallazgos de CEM.

Conclusiones:

• Los modelos de aprendizaje profundo con XAI ofrecen una alta precisión e interpretabilidad para la clasificación de PD.
• Este enfoque apoya la integración de la IA explicable en la neuroimagen clínica para el diagnóstico de la EP.