Diagnóstico del TDAH y detección de biomarcadores basada en red neuronal convolucional multimodal de atención de...

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• Las redes neuronales de grafos (GNN) muestran potencial para diagnosticar trastornos neuropsiquiátricos utilizando redes funcionales cerebrales.
• Los métodos GNN existentes para el diagnóstico del trastorno por déficit de atención/hiperactividad (TDAH) tienen limitaciones de precisión debido a una integración insuficiente de datos multimodales.

Objetivo del estudio:

• Desarrollar un modelo GNN mejorado para la identificación precisa del TDAH mediante la integración efectiva de datos cerebrales multimodales.
• Mejorar el análisis de las redes funcionales cerebrales para el diagnóstico del TDAH.

Principales métodos:

• Se propuso una red neuronal convolucional de atención de grafos (Att-GCN) que integra la amplitud multibanda de las fluctuaciones de baja frecuencia (ALFF) y los datos de conectividad funcional (FC).
• Se construyó una representación de grafo dual donde los datos de ALFF forman nodos y los datos de FC se convierten en nodos suplementarios, preservando las asociaciones topológicas.
• Se aplicó la selección de características basada en grafos para refinar el grafo dual y se utilizó Att-GCN para el aprendizaje de características de alto nivel y la identificación de sujetos con TDAH.

Principales resultados:

• Se logró una precisión promedio del 93,1% en la identificación de sujetos con TDAH en los conjuntos de datos ADHD-200.
• Se demostró un alto rendimiento específicamente dentro del sistema límbico derecho (11 regiones cerebrales).
• Se identificaron biomarcadores fiables de TDAH ubicados alrededor del tálamo y el hipocampo.

Conclusiones:

• El modelo Att-GCN propuesto integra eficazmente datos cerebrales multimodales para un diagnóstico preciso del TDAH.
• Las regiones cerebrales y los biomarcadores identificados (tálamo, hipocampo) son cruciales para la comprensión del TDAH.
• Este enfoque ofrece una dirección prometedora para mejorar la precisión diagnóstica en trastornos neuropsiquiátricos utilizando GNNs.