Espectroscopía de infrarrojo cercano funcional basada en diagnóstico asistido por computadora de trastorno depresivo...

Área de la Ciencia:

• Neurociencia; Inteligencia Artificial; Diagnóstico Médico

Sus antecedentes:

• Existen pocos modelos de IA explicable (XAI) para el diagnóstico asistido por computadora (CAD) de trastorno depresivo mayor (TDM) basado en espectroscopía de infrarrojo cercano (fNIRS).
• Los métodos existentes a menudo carecen de transparencia en la identificación de biomarcadores diagnósticos.

Objetivo del estudio:

• Desarrollar e implementar un modelo XAI utilizando redes neuronales convolucionales (CNN) para la CAD de TDM basada en fNIRS.
• Destacar las diferencias de asimetría interhemisférica entre pacientes con TDM y controles sanos (HC).
• Mejorar la interpretabilidad de los modelos de aprendizaje profundo en el diagnóstico psiquiátrico.

Principales métodos:

• Se aplicó un modelo XAI basado en CNN a datos de fNIRS de 48 pacientes con TDM y 68 HC durante una tarea de fluidez verbal.
• Se utilizó la propagación de relevancia por capas (LRP) para identificar las contribuciones de los datos de entrada a las predicciones del modelo.
• Se empleó la validación cruzada de diez veces para la evaluación del rendimiento.

Principales resultados:

• Se logró una precisión promedio del 81,17%, una sensibilidad del 79,5% y una especificidad del 82,38%.
• La LRP identificó las cortezas prefrontales dorsolaterales (DLPFC) como críticas para la clasificación.
• Se reveló una asimetría interhemisférica distinta en los patrones de actividad cerebral de los pacientes con TDM.

Conclusiones:

• Se desarrolló un modelo XAI de alto rendimiento para el diagnóstico de TDM basado en fNIRS.
• Se visualizó con éxito el proceso de toma de decisiones del modelo de aprendizaje profundo.
• Se demostró la capacidad del modelo para identificar marcadores neurofisiológicos de TDM.