Análisis de inteligencia artificial interpretable de imágenes de resonancia magnética funcional para la clasificación...

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Los modelos de aprendizaje profundo son prometedores para el diagnóstico de trastornos neuropsiquiátricos como la migraña, pero carecen de interpretabilidad, lo que dificulta su uso clínico.
• El
• Caja negra
• La naturaleza de estos modelos impide el descubrimiento de biomarcadores y las estrategias de tratamiento personalizado.

Objetivo del estudio:

• Evaluar las técnicas de inteligencia artificial explicable (XAI) combinadas con los indicadores de resonancia magnética funcional (fMRI) para la clasificación de la migraña.
• Identificar emparejamientos óptimos de modelos de IA e indicadores de fMRI para mejorar la precisión del diagnóstico.
• Evaluar el potencial de XAI en entornos clínicos mediante la identificación de regiones cerebrales discriminativas asociadas con la migraña.

Principales métodos:

• Análisis de los datos de resonancia magnética funcional en estado de reposo de 64 participantes (pacientes con migraña y controles sanos).
• Extracción y clasificación de tres métricas de IRMf: amplitud de fluctuación de baja frecuencia, homogeneidad regional y fuerza de conectividad funcional regional (RFCS).
• Se utilizaron modelos de aprendizaje profundo (GoogleNet, ResNet18, Vision Transformer) y métodos convencionales de aprendizaje automático (SVM, Random Forest) para la clasificación, con XAI generando mapas de calor de activación.

Principales resultados:

• El modelo de GoogleNet con indicadores RFCS logró la mayor precisión de clasificación (> 98,44%) y un AUC de 0,99.
• Los indicadores RFCS mejoraron la precisión de clasificación en aproximadamente un 8% en comparación con la amplitud de la fluctuación de baja frecuencia.
• Los mapas de calor generados por XAI resaltaron el precuneus y el cuneus como las regiones cerebrales más discriminatorias para la migraña.

Conclusiones:

• XAI combinado con las características de la región cerebral de fMRI ofrece explicaciones visuales para la progresión de la migraña.
• La comprensión de los procesos de toma de decisiones de IA a través de XAI tiene un potencial significativo para mejorar el diagnóstico clínico de la migraña.
• Este enfoque es prometedor para mejorar la precisión del diagnóstico y desarrollar nuevas técnicas de diagnóstico para las migrañas.