DCPat-XFE: un modelo explicable de EEG para la detección de convulsiones no epilépticas psicógenas

Área de la Ciencia:

• Neurociencia
• Diagnóstico Médico
• Aprendizaje Automático en Atención Médica

Sus antecedentes:

• Las convulsiones no epilépticas psicógenas (PNE) a menudo se diagnostican erróneamente debido a su similitud con las convulsiones epilépticas, lo que requiere herramientas de diagnóstico mejoradas.
• La electroencefalografía (EEG) es crucial para diferenciar las PNE de la epilepsia, pero los métodos de detección actuales tienen limitaciones.
• Los orígenes psicológicos de las PNE requieren enfoques diagnósticos distintos en comparación con los orígenes eléctricos de la epilepsia.

Objetivo del estudio:

• Introducir un novedoso modelo de ingeniería de características explicables (XFE) para detectar PNE utilizando EEG.
• Curar un conjunto de datos especializado de EEG de PNE con anotaciones de expertos para clases Normal, PNE con Provocación por Sugestión Verbal (VSP+) y PNE sin VSP (VSP-).
• Evaluar el rendimiento y la interpretabilidad del marco XFE propuesto en la clasificación de diferentes patrones de EEG.

Principales métodos:

• Desarrolló un marco XFE que comprende el Patrón de Contador de Distancia (DCPat) para la extracción de características, el Análisis de Componentes de Vecindario Basado en Peso Acumulativo (CWNCA) para la selección, el algoritmo t k-Vecinos Más Cercanos (tkNN) con Votación Mayoritaria Iterativa (IMV) para la clasificación y Directed Lobish (DLob) para la interpretación.
• Utilizó un conjunto de datos de EEG curado con clases Normal, PNE VSP+ y PNE VSP- etiquetadas por expertos en cuatro estudios de caso distintos.
• Empleó DLob para la interpretación simbólica y el mapeo del conectoma cortical para explicar los patrones de EEG relacionados con las PNE.

Principales resultados:

• El marco DCPat XFE logró una precisión superior al 96,5% en los cuatro casos evaluados.
• El Caso 2 (Normal vs. PNE VSP-) demostró la mayor precisión con un 99,11%.
• Las salidas de DLob proporcionaron explicaciones simbólicas claras y diagramas de conectoma, mejorando la interpretabilidad del modelo.

Conclusiones:

• El novedoso marco XFE basado en DCPat ofrece un método altamente preciso e interpretable para la detección de PNE a partir de datos de EEG.
• La capacidad del modelo para proporcionar explicaciones simbólicas claras apoya su potencial como una herramienta de apoyo a la decisión clínica fiable.
• Esta investigación aporta un valioso conjunto de datos y una metodología robusta para avanzar en el diagnóstico de PNE.