Resumen

A pesar de los recientes avances, la evaluación de las mediciones biológicas de los trastornos neuropsiquiátricos sigue siendo un reto, en el que las variables de confusión, como el género y la edad (como proxy del neurodesarrollo), desempeñan un papel importante. Este estudio explora las imágenes de resonancia magnética estructural del cerebro (sMRI) de dos conjuntos de datos públicos (ABIDE-II y ADHD-200) con individuos sanos de control (HC, N = 894), con trastorno del espectro autista (ASD, N = 251) y con trastorno por déficit de atención e hiperactividad (ADHD, N = 357). Utilizamos materia gris y blanca preprocesada mediante morfometría basada en vóxeles (VBM) para entrenar una red neuronal convolucional 3D con una estrategia de aprendizaje multitarea para estimar el género, la edad y el estado de salud mental a partir de las diferencias estructurales del cerebro. Se emplearon métodos basados en el gradiente para generar mapas de atención, proporcionando una identificación clínicamente relevante de las regiones cerebrales más representativas para la toma de decisiones de los modelos. Este enfoque dio lugar a predicciones satisfactorias para el género y la edad. Los modelos entrenados para el TDAH-200, evaluados en procedimientos de validación cruzada de 10 veces en el conjunto de pruebas, obtuvieron un error medio absoluto (MAE) de 1,43 años (±0,22 SD) para la predicción de la edad y un área bajo la curva (AUC) de 0,85 (±0,04 SD) para la clasificación del género. En la validación fuera de la muestra, los modelos ADHD-200 de mejor rendimiento predijeron satisfactoriamente la edad (MAE = 1,57 años) y el género (AUC = 0,89) en el conjunto de datos ABIDE-II. La precisión de los modelos estaba en consonancia con el estado actual de las aplicaciones de aprendizaje automático en neuroimagen. Las regiones clave para la precisión de los modelos se presentaron como un resultado gráfico significativo. Las nuevas implementaciones, como el uso de VBM junto con un modelo de aprendizaje multitarea de red neuronal convolucional 3D y una salida gráfica de imágenes cerebrales, refuerzan la relevancia del flujo de trabajo propuesto.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal convolucional, género, diferencia estructural del cerebro, trastornos del espectro autista, región cerebral representativa, salida gráfica significativa, modelo de aprendizaje multitarea, uso de vbm, imágenes de resonancia magnética, estado de salud mental
• Keywords:convolutional neural network, gender, structural brain difference, autism spectrum disorders, representative brain region, meaningful graphical output, multitask learning model, use of vbm, magnetic resonance imaging, mental health status