FaithfulNet: Un marco de aprendizaje profundo explicable para el diagnóstico del autismo utilizando resonancia magnética estructural | JoVE Visualize

Área de la Ciencia:

La neurociencia
Inteligencia artificial
Diagnóstico médico

Sus antecedentes:

Los modelos de aprendizaje profundo ofrecen potencial para diagnosticar afecciones neurológicas complejas como el autismo, pero a menudo funcionan como "cajas negras".
Las técnicas de Inteligencia Artificial Explicable (XAI) son cruciales para interpretar estos modelos, aumentando la confianza en las aplicaciones clínicas.
Comprender los correlatos neuronales del autismo es vital para desarrollar intervenciones efectivas.

Objetivo del estudio:

Desarrollar y validar un modelo de aprendizaje profundo explicable para el diagnóstico del autismo utilizando datos de RMN.
Identificar regiones específicas del cerebro asociadas con el autismo y su impacto en el rendimiento académico a través de XAI.
Crear un método de explicación visual novedoso y fiel (Faith_CAM) para las predicciones de aprendizaje profundo en el autismo.

Principales métodos:

Utilizó el conjunto de datos ABIDE-II de imágenes de resonancia magnética estructural (IRM).
Desarrolló FaithfulNet, un modelo de aprendizaje profundo para el diagnóstico de autismo.
Se aplicaron mapas de activación de clases basados en gradientes y un explicador de gradientes SHAP para la interpretabilidad del modelo.
Explicaciones integradas para crear Faith_CAM, cuantificadas usando el puntaje del juego de puntuación y analizadas con máscaras de estructura cerebral.

Principales resultados:

Logró una alta precisión de clasificación del 99,74% y un área bajo la curva (AUC) de 1 para el diagnóstico de autismo.
Identificó con éxito regiones cerebrales afectadas en individuos con autismo.
Cuantificó el impacto de estas deficiencias en las regiones de la memoria relacionadas con el rendimiento académico.

Conclusiones:

El enfoque desarrollado por XAI, Faith_CAM, proporciona un método confiable e interpretable para el diagnóstico del autismo.
Este estudio vincula con éxito el diagnóstico de autismo con deficiencias neuronales específicas que afectan las funciones cognitivas y el rendimiento académico.
Los hallazgos apoyan el desarrollo de estrategias de tratamiento personalizadas para niños con autismo.