Clasificación Múltiple de la Resonancia Magnética Cerebral en Trastorno del Espectro Autista por Edad y Género Usando Aprendizaje Profundo

El hecho de que hoy en día no se pueda realizar un diagnóstico rápido y definitivo de autismo y que no se pueda tratar el autismo proporciona un impulso para investigar soluciones tecnológicas novedosas. Para contribuir a la resolución de este problema mediante múltiples clasificaciones considerando factores de edad y género, en este estudio se realizaron dos clasificaciones cuádruples y una octuple utilizando un enfoque de aprendizaje profundo (DL). Se consideró el género en una de las cuatro clasificaciones y los grupos de edad en la otra. En la clasificación octuple, se crearon clases considerando género y grupos de edad. Además del diagnóstico de Trastornos del Espectro Autista (TEA), otro objetivo de este estudio es averiguar la contribución de los factores de género y edad al diagnóstico de TEA al realizar múltiples clasificaciones basadas en edad y género por primera vez. Las imágenes de resonancia magnética estructural cerebral (sMRI) de los participantes con TEA y desarrollo típico (DT) se preprocesaron en el sistema diseñado originalmente para este propósito. Usando el algoritmo de Detección de Bordes de Canny (CED), los datos de imagen de sMRI se recortaron en la etapa de preprocesamiento de datos, y el conjunto de datos se amplió cinco veces con las técnicas de aumento de datos (DA). Se desarrollaron los modelos de red neuronal convolucional (CNN) más óptimos utilizando el algoritmo de optimización de búsqueda en cuadrícula (GSO). El sistema de predicción DL propuesto fue probado con la técnica de validación cruzada de cinco pliegues. Se diseñaron tres modelos de CNN para ser utilizados en el sistema. El primero de estos modelos es el modelo de clasificación cuádruple creado considerando el género (modelo 1), el segundo es el modelo de clasificación cuádruple creado considerando la edad (modelo 2), y el tercero es el modelo de clasificación octuple creado considerando tanto el género como la edad (modelo 3). Las tasas de precisión obtenidas para los tres modelos diseñados son 80.94, 85.42 y 67.94, respectivamente. Estas tasas de precisión obtenidas se compararon con modelos preentrenados utilizando el enfoque de transferencia de aprendizaje. Como resultado, se reveló que los factores de edad y género fueron efectivos en el diagnóstico de TEA con el sistema desarrollado para múltiples clasificaciones de TEA, y se lograron tasas de precisión más altas en comparación con modelos preentrenados.