FaithfulNet: Un marco de aprendizaje profundo explicable para el diagnóstico del autismo utilizando resonancia...

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.