Marco de Transformador de Características Interpretable para la Detección de MCI Transversal al Sujeto Utilizando...

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Inteligencia Artificial

Sus antecedentes:

• El Deterioro Cognitivo Leve (MCI) es un precursor de la Enfermedad de Alzheimer (AD), que requiere una detección temprana para la intervención.
• La electroencefalografía (EEG) ofrece un método no invasivo para evaluar la actividad cerebral relacionada con la función cognitiva.
• Distinguir el MCI de los controles sanos (HC) es un desafío pero es fundamental para las estrategias terapéuticas oportunas.

Objetivo del estudio:

• Evaluar la eficacia de las características de EEG basadas en entropía y grafos para diferenciar el MCI de los HC.
• Comparar el rendimiento de una red Transformer con un modelo EEGNet utilizando estas características diseñadas.
• Aprovechar el aprendizaje profundo interpretable para identificar biomarcadores clave para la detección temprana del MCI.

Principales métodos:

• Se utilizaron datos de EEG en estado de reposo, con los ojos cerrados, de 183 participantes (127 HC, 56 MCI).
• Se extrajeron medidas dinámicas no lineales (entropía, dimensión fractal, exponente de Lyapunov) y características de conectividad teórica de grafos en cinco bandas de frecuencia.
• Se aplicó una red Transformer y un modelo EEGNet al conjunto de características diseñadas para la clasificación.

Principales resultados:

• El modelo Transformer basado en características logró una alta precisión de clasificación del 97,04% ± 0,72.
• El modelo Transformer superó a la línea de base EEGNet, lo que demuestra la ventaja de las arquitecturas basadas en atención con características ricas.
• El análisis SHAP identificó características influyentes no lineales y de conectividad, junto con canales EEG clave, lo que mejoró la interpretabilidad del modelo.

Conclusiones:

• La integración de características de EEG diseñadas a mano con redes Transformer proporciona un enfoque potente e interpretable para la detección temprana del MCI.
• Este método muestra un potencial significativo para el desarrollo de herramientas de diagnóstico avanzadas para combatir la progresión de la enfermedad de Alzheimer.
• Los modelos de aprendizaje profundo impulsados por características ofrecen una vía prometedora para comprender e identificar condiciones neurodegenerativas como el MCI.