MS-MDDNet: Un marco de aprendizaje profundo ligero para el diagnóstico interpretable del trastorno depresivo mayor...

Área de la Ciencia:

• Neurociencia
• Psiquiatría Computacional
• Ingeniería Biomédica

Sus antecedentes:

• El Trastorno Depresivo Mayor (MDD) es una preocupación global de salud significativa.
• La electroencefalografía (EEG) ofrece un método no invasivo y temporalmente preciso para la detección de patrones neuronales en MDD.
• Los enfoques actuales de aprendizaje automático (ML) y aprendizaje profundo (DL) para la detección de MDD basada en EEG enfrentan desafíos como la complejidad, el sobreajuste y la interpretabilidad limitada.

Objetivo del estudio:

• Introducir MS-MDDNet, un modelo novedoso y ligero de Red Neuronal Convolucional (CNN) para mejorar la detección de MDD basada en EEG.
• Desarrollar un método similar a un ensemble utilizando MS-MDDNet para mejorar la precisión y robustez del diagnóstico.
• Abordar las limitaciones de los métodos DL existentes, centrándose en la eficiencia computacional y la interpretabilidad.

Principales métodos:

• MS-MDDNet emplea convoluciones espaciales, temporales y separables en profundidad con agrupación promedio para una extracción eficiente de características.
• El modelo se evaluó utilizando validación cruzada 10-fold Cross-Subjects (CS-CV) en tres conjuntos de datos públicos de EEG.
• Se aplicaron estrategias similares a un ensemble a la arquitectura MS-MDDNet.

Principales resultados:

• MS-MDDNet logró un rendimiento de vanguardia con una complejidad computacional significativamente menor.
• El modelo demostró una alta precisión en todos los conjuntos de datos: 99.33% en MODMA, 98.59% en MUMTAZ y 96.61% en PRED + CT.
• La validación cruzada 10-fold CS-CV mitigó el sobreajuste, asegurando una generalización robusta.

Conclusiones:

• MS-MDDNet proporciona un marco interpretable para el diagnóstico de MDD basado en EEG a través del análisis de correlación con la energía gamma.
• El modelo mejora la transparencia diagnóstica y la credibilidad clínica, ayudando a los médicos en la evaluación segura de MDD.
• Este enfoque DL ligero y eficiente representa una herramienta valiosa para avanzar en la detección de MDD.