Detección de trastorno del espectro autista en imágenes de resonancia magnética funcional con aprendizaje profundo

Abstract

El trastorno del espectro autista (TEA) es un conjunto de alteraciones del desarrollo que afecta la comunicación social y el comportamiento. Aunque los síntomas pueden manifestarse en la primera infancia, el diagnóstico sigue siendo un desafío debido a su naturaleza subjetiva y la variabilidad en las evaluaciones entre especialistas. En este contexto, la conectividad funcional cerebral, medida a través de imágenes de resonancia magnética funcional en estado de reposo (rs-fMRI), ha emergido como una herramienta prometedora para identificar patrones neurofisiológicos asociados al TEA. En este trabajo se propone un Sistema de detección asistida por computadora para la identificación de sujetos con TEA. El sistema utiliza datos de rs-fMRI preprocesados a través del pipeline CPAC y combinaciones de atlas cerebrales (CC200 y AAL) para extraer series temporales de regiones de interés. Estas series se procesan para construir matrices de conectividad funcional que sirven como insumo para un modelo de red neuronal profunda. El modelo fue entrenado y validado utilizando una estrategia de validación cruzada de 10 iteraciones con 1100 sujetos provenientes de la base de datos ABIDE. Además, se realizó una evaluación externa empleando datos del sitio YALE para comprobar la capacidad de generalización del modelo. Los resultados obtenidos muestran una precisión del 73,85%, una sensibilidad del 73,59% y una especificidad del 71,61% en la validación cruzada. En la evaluación externa, el modelo alcanzó una precisión del 70%, una sensibilidad del 70% y una especificidad del 76,92%.