ASD-HybridNet: Un marco híbrido de aprendizaje profundo para la detección de trastornos del espectro autista

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• El diagnóstico del trastorno del espectro autista (TEA) se basa en evaluaciones subjetivas del comportamiento, lo que limita la precisión y la detección temprana.
• La resonancia magnética funcional (fMRI) ofrece biomarcadores objetivos para afecciones neurológicas.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje profundo híbrido (ASD-HybridNet) para mejorar la detección de trastornos del espectro autista.
• Aprovechar los datos de resonancia magnética funcional multimodal para un diagnóstico más preciso y temprano de TEA.

Principales métodos:

• Integración de los datos de las series temporales de la región de interés (ROI) y los mapas de conectividad funcional (FC) de la IRMf.
• Desarrollo de una arquitectura híbrida de aprendizaje profundo, ASD-HybridNet.
• Validación utilizando el conjunto de datos de intercambio de imágenes cerebrales del autismo (ABIDE).

Principales resultados:

• ASD-HybridNet demostró un rendimiento superior en la detección de TEA en comparación con los métodos existentes.
• La integración de los datos de ROI y FC mejoró significativamente la precisión de la clasificación.
• El marco muestra potencial para mejorar el diagnóstico precoz y preciso de TEA.

Conclusiones:

• El marco ASD-HybridNet propuesto ofrece un enfoque prometedor basado en datos para el diagnóstico de trastornos del espectro autista.
• La integración de datos de IRMf multimodal a través del aprendizaje profundo puede superar las limitaciones de los métodos de diagnóstico tradicionales.