Un enfoque interpretable para la clasificación de la esquizofrenia utilizando características de fMRI y sMRI

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Imagenología Médica

Sus antecedentes:

• El diagnóstico de la esquizofrenia se basa en la neuroimagen, pero la integración de datos multimodales y la interpretabilidad siguen siendo un desafío.
• Los modelos de aprendizaje automático existentes enfrentan limitaciones en la visualización de características complejas de neuroimagen para la clasificación de la esquizofrenia.

Objetivo del estudio:

• Desarrollar un marco novedoso que integre imágenes de resonancia magnética estructural (sMRI) y de resonancia magnética funcional (fMRI) para mejorar la clasificación de la esquizofrenia.
• Mejorar la interpretabilidad de los modelos de aprendizaje automático en neuroimagen para la toma de decisiones clínicas.

Principales métodos:

• Se utilizó el análisis de componentes independientes (ICA) para la extracción de características de datos sMRI y fMRI.
• Se desarrolló una red neuronal recurrente multiescala (MsRNN) para la clasificación.
• Se empleó la propagación de relevancia por capas y el mapeo de activación de clase ponderado por gradiente para IA explicable (XAI).

Principales resultados:

• Logró una precisión del 83,33% en el conjunto de datos MLSP y del 89,8% en el conjunto de datos COBRE.
• Generó visualizaciones clínicamente significativas que resaltan las regiones cerebrales discriminatorias.
• Demostró un rendimiento superior en comparación con los modelos convencionales.

Conclusiones:

• El marco propuesto multimodal e integrado con XAI ofrece una mayor precisión y transparencia para el diagnóstico de la esquizofrenia.
• Este enfoque ayuda a identificar anomalías específicas del trastorno y apoya la toma de decisiones clínicas.