Codificación y decodificación de la conectividad funcional dinámica cerebral para el diagnóstico del TDAH

Área de la Ciencia:

• Neuroimagen
• Neurociencia Computacional
• Aprendizaje Automático

Sus antecedentes:

• Los cambios en la conectividad funcional dinámica (CF) se correlacionan con las funciones cognitivas.
• Las técnicas tradicionales de ventana deslizante para la CF dinámica enfrentan desafíos como cambios de distribución y alta dimensionalidad.
• El modelado preciso de la CF dinámica es crucial para comprender la función cerebral y diagnosticar trastornos neurológicos.

Objetivo del estudio:

• Introducir BRAINMAP (Bi-level Representation using Attention for INterpretability with Mamba-Aided Prediction), un método novedoso para modelar la conectividad funcional dinámica cerebral.
• Abordar las limitaciones de la técnica de ventana deslizante, específicamente los cambios de distribución y la alta dimensionalidad.
• Mejorar la precisión de la detección del Trastorno por Déficit de Atención e Hiperactividad (TDAH) utilizando la CF dinámica.

Principales métodos:

• BRAINMAP utiliza Transporte Óptimo para corregir los cambios de distribución entre ventanas deslizantes.
• Emplea Redes Neuronales Gráficas (GNN) combinadas con un mecanismo de atención y un bloque Mamba para capturar características espaciotemporales de imágenes de resonancia magnética funcional.
• Se introduce un algoritmo de selección de características de ventana deslizante Top-K para inducir esparsidad en la CF dinámica.

Principales resultados:

• BRAINMAP demostró un rendimiento superior en la detección del TDAH en comparación con los modelos de CF dinámica existentes de última generación, con mejoras de precisión del 3% al 12% en tres conjuntos de datos (ADHD-200, UCLA, CNI-TLC).
• El modelo identificó biomarcadores robustos, en particular la conexión entre la red de atención dorsal y la red visual.
• Un estudio de asociación confirmó la relevancia clínica de los biomarcadores identificados.

Conclusiones:

• BRAINMAP ofrece un avance significativo en el modelado de la conectividad funcional dinámica para el análisis de imágenes cerebrales.
• El método propuesto aborda eficazmente los desafíos clave en el análisis de la CF dinámica, lo que lleva a una mejora de la precisión diagnóstica para el TDAH.
• Los biomarcadores identificados, como la conexión entre la red de atención dorsal y la red visual, tienen relevancia clínica para el diagnóstico del TDAH y la comprensión de sus mecanismos neuronales subyacentes.