Una revisión de las técnicas de detección de dislexia basadas en inteligencia artificial

PROBLEMA: La dislexia es un trastorno del aprendizaje que afecta la capacidad de un individuo para reconocer palabras y comprender conceptos. Sigue estando infradiagnosticada debido a su complejidad y heterogeneidad. El uso de técnicas de evaluación tradicionales, incluidas la evaluación subjetiva y las pruebas estandarizadas, aumenta la probabilidad de un diagnóstico tardío o incorrecto. MOTIVACIÓN: La identificación oportuna es fundamental para proporcionar un tratamiento personalizado y mejorar la calidad de vida del individuo. El desarrollo de técnicas de inteligencia artificial ofrece una plataforma para identificar la dislexia utilizando datos conductuales y de neuroimagen. Sin embargo, los conjuntos de datos limitados y la naturaleza de caja negra de los modelos de ML reducen la generalizabilidad y la interpretabilidad de los modelos de detección de dislexia (DD). La técnica de reducción de dimensionalidad (DRT) desempeña un papel importante al proporcionar características de la dislexia para mejorar el rendimiento de las técnicas de DD basadas en machine learning (ML) y deep learning (DL). OBJETIVO: En esta revisión, los autores se proponen investigar el papel de las DRT en la mejora del rendimiento de los modelos de DD basados en ML y DL. METODOLOGÍA: Los autores llevaron a cabo una búsqueda exhaustiva en múltiples bibliotecas digitales, incluidas Scopus, Web of Science, PubMed y IEEEXplore, para identificar artículos asociados con las DRT en la identificación de la dislexia. Extrajeron 479 artículos utilizando estas bibliotecas digitales. Tras un exhaustivo procedimiento de selección, se incluyeron un total de 39 artículos en esta revisión. RESULTADOS: Los hallazgos de la revisión revelaron diversas DRT para identificar patrones críticos de dislexia a partir de múltiples modalidades. Un número significativo de estudios empleó el análisis de componentes principales (PCA) para la extracción y selección de características. Los autores presentaron las características esenciales asociadas con la DD. Además, describieron los desafíos y limitaciones de las DRT existentes. IMPACTO: Los autores enfatizaron la necesidad del desarrollo de nuevas DRT y su integración óptima con técnicas avanzadas de DL para lograr modelos de DD robustos e interpretables.