Desarrollo de un modelo predictivo de aprendizaje automático basado en imágenes de resonancia magnética multimodal...

Área de la Ciencia:

• Neurociencia; Medicina Aeroespacial; Aprendizaje Automático

Sus antecedentes:

• Los métodos actuales de selección y formación de cadetes de vuelo en la aviación civil son largos y subjetivos.; Se necesitan herramientas de evaluación objetiva para mejorar la precisión y eficiencia de la evaluación de la aptitud de vuelo.; La comprensión de los sustratos neuronales de las habilidades relacionadas con el vuelo puede informar los protocolos de selección y formación.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático utilizando datos de RM multimodal para distinguir a los cadetes de vuelo de los cadetes terrestres.; Identificar características de neuroimagen asociadas con funciones cognitivas avanzadas, procesamiento visual y asignación de atención relevantes para las habilidades de vuelo.; Ofrecer un enfoque basado en datos para mejorar la selección y evaluación de la formación de cadetes de vuelo.

Principales métodos:

• Se recopilaron datos de RM multimodal: resonancia magnética estructural (sRM), imagen por tensor de difusión (DTI) y resonancia magnética funcional (fRM) de cadetes de vuelo y terrestres.; Se extrajeron y fusionaron características representativas de cada modalidad de RM.; Se emplearon clasificadores de aprendizaje automático (regresión logística, random forest, support vector machine, Gaussian naive Bayes) con validación cruzada de cinco veces.

Principales resultados:

• El modelo de fusión multimodal que combina sRM, DTI, fRM y regresión logística logró un rendimiento óptimo.; Se logró una alta precisión (0.838), AUC (0.942), sensibilidad (0.835) y especificidad (0.834) en la diferenciación de cadetes.; Las explicaciones aditivas de SHapley identificaron características clave vinculadas a funciones cognitivas, procesamiento visual y atención.

Conclusiones:

• La RM multimodal combinada con el aprendizaje automático ofrece un método robusto y objetivo para la evaluación de cadetes de vuelo.; El estudio destaca el potencial de la neuroimagen y la IA para comprender y mejorar las habilidades relacionadas con el vuelo.; Este enfoque puede revolucionar la selección y evaluación de la formación de cadetes de vuelo al reducir la subjetividad y mejorar la eficiencia.