Una Red Neuronal de Grafos Funcional-Dinámica Sináptica Interpretable para el Diagnóstico del Trastorno Depresivo...

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Psiquiatría

Sus antecedentes:

• El trastorno depresivo mayor (TDM) afecta a millones de personas en todo el mundo, lo que requiere mejores herramientas de diagnóstico y monitorización.
• Los métodos actuales de resonancia magnética funcional en estado de reposo (rs-fMRI) y aprendizaje profundo para la predicción de TDM a menudo descuidan las características dinámicas de las señales cerebrales y las fortalezas de conexión interregional.
• Esta limitación conduce a actualizaciones de regiones cerebrales que carecen de especificidad biológica en los modelos predictivos.

Objetivo del estudio:

• Introducir un novedoso marco de aprendizaje profundo, la red neuronal de grafos sináptica funcional-dinámica (FDSyn-GNN), para la predicción mejorada del trastorno depresivo mayor (TDM).
• Abordar las limitaciones de los métodos existentes incorporando características temporales dinámicas de las señales de nivel de sangre oxigenada (BOLD) y las fortalezas de conexión entre las regiones cerebrales.
• Explorar el potencial de FDSyn-GNN para el descubrimiento de biomarcadores y la comprensión de los sustratos neurales del TDM.

Principales métodos:

• Desarrollo del modelo de red neuronal de grafos sináptica funcional-dinámica (FDSyn-GNN).
• Integración de un módulo de codificación de marca de tiempo de unidad recurrente con puerta bidireccional (Bi-GRU) (BGTE) para capturar las características dinámicas de la señal BOLD.
• Incorporación de un módulo Transformer de grafos sinápticos (SGT) para actualizaciones de regiones cerebrales conscientes de la conexión.

Principales resultados:

• FDSyn-GNN demostró un rendimiento superior en comparación con 12 métodos de referencia de última generación (SOTA) en dos conjuntos de datos de TDM a gran escala y multisitio.
• Los estudios de ablación confirmaron la eficacia de los módulos integrados BGTE y SGT dentro del marco FDSyn-GNN.
• Los análisis de interpretabilidad sugirieron el potencial del modelo para identificar nuevos biomarcadores asociados con el TDM.

Conclusiones:

• El FDSyn-GNN propuesto ofrece un avance significativo en el aprovechamiento de datos dinámicos de rs-fMRI para la predicción de TDM.
• La capacidad del modelo para integrar la dinámica temporal y la conectividad de la red proporciona un enfoque más específico biológicamente para analizar la función cerebral en el TDM.
• FDSyn-GNN muestra una gran promesa para el descubrimiento de biomarcadores y ofrece información valiosa sobre los mecanismos neurobiológicos del trastorno depresivo mayor.