Análisis y predicción de pacientes con esquizofrenia basados en redes generativas adversarias de atención de grafos...

Área de la Ciencia:

• Neurociencia; Inteligencia Artificial; Imagen Médica

Sus antecedentes:

• Las redes generativas adversarias (GAN) son potentes herramientas de aprendizaje profundo con una aplicación limitada en el análisis de datos de electroencefalografía (EEG).
• La comprensión de las redes cerebrales funcionales de orden superior es crucial para la investigación de la esquizofrenia.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de predicción de redes generativas adversarias de atención de grafos de orden superior (GAN) para el diagnóstico temprano de esquizofrenia.
• Investigar la utilidad de las GAN en la captura de características topológicas de orden superior a partir de imágenes de persistencia de datos de EEG.

Principales métodos:

• El modelo propuesto emplea redes de atención de grafos y redes de memoria a largo corto plazo dentro de su generador.
• Se utilizan imágenes de persistencia derivadas de datos de EEG para representar características topológicas de orden superior.
• El modelo se evaluó en cinco bandas de frecuencia de datos de pacientes con esquizofrenia.

Principales resultados:

• El modelo de predicción logró el mejor rendimiento en la banda de frecuencia Theta, con un Área Bajo la Curva (AUC) de 93,5% y una Precisión Media Promedio (MAP) de 93,0%.
• La precisión promedio alcanzó el 91,5%, superando a los métodos de comparación.
• Los coeficientes de calidad de imagen mostraron una correlación significativa con las puntuaciones totales de PANSS en las bandas Gamma y Theta.

Conclusiones:

• El modelo desarrollado basado en GAN demuestra ser eficaz en la predicción de esquizofrenia utilizando características topológicas de orden superior de datos de EEG.
• Los hallazgos sugieren un nuevo enfoque para aplicar las GAN en la predicción de esquizofrenia y la comprensión de sus características topológicas de orden superior.