Hacia la inteligencia artificial en salud mental mejorando la predicción de la esquizofrenia con un aprendizaje ensamblado de múltiples parcelaciones cerebrales

En la literatura, existen intentos sustanciales de aprendizaje automático para clasificar la esquizofrenia basados en alteraciones en los patrones cerebrales en estado de reposo (RS) utilizando imágenes por resonancia magnética funcional (fMRI). La mayoría de los estudios anteriores modelaron pacientes en tratamiento, lo que implica confusión con los efectos de los medicamentos en la actividad cerebral, haciéndolos menos aplicables al diagnóstico en la vida real en el momento del primer contacto médico. Además, la mayoría de los estudios con precisiones de clasificación >80% se basan en conjuntos de datos de muestras pequeñas, lo que puede ser insuficiente para capturar la heterogeneidad de la esquizofrenia, limitando la generalización a casos no vistos. En este estudio, utilizamos datos de fMRI en estado de reposo recolectados de una cohorte de pacientes naïve en tratamiento con antipsicóticos que cumplen con los criterios DSM IV para esquizofrenia (N = 81) así como controles sanos emparejados por edad y sexo (N = 93). Presentamos un modelo ensamblado -- EMPaSchiz (pronunciado 'Énfasis'; que representa 'Algoritmo de Ensamble con Múltiples Parcelaciones para la predicción de la esquizofrenia') que combina predicciones de varios modelos 'de fuente única', cada uno basado en características de actividad regional y conectividad funcional, sobre una variedad de diferentes esquemas de parcelación a priori. EMPaSchiz alcanzó una precisión de clasificación del 87% (frente a una precisión por azar del 53%), lo que supera a los modelos anteriores de aprendizaje automático construidos para diagnosticar esquizofrenia utilizando medidas de fMRI en estado de reposo modeladas en grandes muestras (N > 100). Hasta donde sabemos, EMPaSchiz es el primero en reportarse que ha sido entrenado y validado exclusivamente con datos de pacientes naïve en tratamiento diagnosticados con esquizofrenia. El método se basa en una única modalidad de adquisición de RM y puede escalarse fácilmente sin necesidad de reconstruir mapas de parcelación a partir de imágenes de entrenamiento entrantes.