Clasificación de trastornos psiquiátricos mediante resonancia magnética estructural de doble representación...

Área de la Ciencia:

• Neuroimagen
• Inteligencia Artificial
• Psiquiatría

Sus antecedentes:

• La diferenciación precisa entre la esquizofrenia y el trastorno bipolar es un desafío debido a los síntomas superpuestos y las sutiles diferencias neuroanatómicas.
• Los métodos de diagnóstico actuales pueden ser subjetivos y carecer de biomarcadores objetivos.
• La RM estructural ofrece potencial para la evaluación objetiva, pero requiere técnicas analíticas avanzadas.

Objetivo del estudio:

• Desarrollar y evaluar un marco de RM estructural de doble representación para mejorar la clasificación de trastornos psiquiátricos.
• Comparar la utilidad diagnóstica de las imágenes de RM crudas frente a los mapas de segmentación de tejidos utilizando aprendizaje profundo.
• Aprovechar los modelos de lenguaje grandes (LLM) para mejorar la interpretabilidad de los hallazgos de neuroimagen.

Principales métodos:

• Se utilizó un marco de doble representación que analiza cortes de RM crudos ponderados en T1 y mapas de segmentación de tejidos codificados por colores.
• Se emplearon dos redes neuronales convolucionales (CNN) ResNet-18 entrenadas de forma independiente para la extracción de características.
• Se aplicaron técnicas de aprendizaje por transferencia (TL) y adaptación de dominio (DA) a un conjunto de datos de 103 sujetos de cuatro grupos (Controles sanos, Espectro de esquizofrenia, Trastorno bipolar con psicosis, Trastorno bipolar sin psicosis).
• Se integró un modelo de lenguaje grande (LLM) para el análisis post-hoc y la interpretación de los resultados de la CNN.

Principales resultados:

• El enfoque de doble representación demostró un rendimiento mejorado de clasificación cuádruple en comparación con los métodos de representación única.
• La comparación sistemática reveló contribuciones diferenciales de las entradas de RM crudas versus las basadas en segmentación a la precisión de la clasificación.
• La interpretación asistida por LLM proporcionó información sobre las características neuroanatómicas que impulsan las predicciones de diagnóstico.

Conclusiones:

• El marco propuesto de doble representación mejora la precisión de la clasificación diagnóstica en trastornos psiquiátricos.
• La combinación de aprendizaje profundo con la interpretabilidad de LLM ofrece una vía prometedora para herramientas de neuroimagen psiquiátrica transparentes e informativas.
• Este enfoque tiene el potencial de respaldar diagnósticos psiquiátricos más objetivos y fiables.