Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
Este estudio demuestra que un modelo de aprendizaje profundo híbrido CNN–LSTM supera significativamente a una CNN independiente en la detección de la esquizofrenia a partir de señales de EEG en estado de reposo, alcanzando un 92,03% de precisión y resaltando el valor de integrar el aprendizaje de secuencias temporales para el diagnóstico objetivo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El cerebro humano es una vasta y zumbante red de actividad eléctrica, que cambia constantemente mientras pensamos, sentimos y percibimos el mundo. Durante décadas, los científicos han intentado escuchar este zumbido para comprender qué sale mal cuando los trastornos de salud mental atacan. Uno de estos trastornos, la esquizofrenia, es una condición grave que altera la forma en que una persona ve la realidad, lo que a menudo conduce a alucinaciones o pensamientos confusos. Actualmente, los médicos diagnostican esta enfermedad principalmente escuchando a los pacientes describir sus experiencias y observando su comportamiento, un proceso que depende en gran medida del juicio humano y que, en ocasiones, puede pasar por alto los primeros signos de problemas. Para encontrar una forma más objetiva de detectar la enfermedad tempranamente, los investigadores se han vuelto hacia la electroencefalografía, o EEG. Esta técnica consiste en colocar pequeños sensores en el cuero cabelludo para registrar las señales eléctricas del cerebro. A diferencia de los costosos escaneos que toman fotografías de la estructura cerebral, el EEG captura los ritmos rápidos y dinámicos del cerebro en tiempo real, ofreciendo una ventana a las tormentas eléctricas que podrían caracterizar la esquizofrenia.
En un estudio reciente, investigadores de la Universiti Teknologi Malaysia se propusieron ver si podían enseñar a una computadora a reconocer estos patrones eléctricos de forma automática. Trabajaron con una colección de grabaciones de ondas cerebrales de 81 personas: 49 que habían sido diagnosticadas con esquizofrenia y 32 que estaban sanas. El equipo quería probar dos tipos diferentes de programas informáticos, conocidos como modelos de aprendizaje profundo, para ver cuál podía distinguir mejor entre los dos grupos. El primer modelo fue diseñado para buscar formas y patrones específicos en las ondas cerebrales, de forma muy similar a cómo una cámara identifica bordes en una fotografía. El segundo modelo era un híbrido más complejo que no solo buscaba estas formas, sino que también prestaba atención al orden en que llegaban las señales, comprendiendo cómo cambiaba la actividad cerebral a lo largo del tiempo.
Los investigadores comenzaron limpiando los datos brutos. Las grabaciones originales estaban llenas de ruido proveniente de movimientos musculares e interferencias ambientales, por lo que filtraron la estática no deseada y ajustaron la intensidad de la señal para que los datos fueran uniformes. Luego, introdujeron esta información limpia en los dos programas informáticos. El primer programa, que se centraba únicamente en los patrones espaciales de las señales, logró identificar el grupo correcto con un AUC de 0.73. Era razonablemente bueno detectando cerebros sanos, pero le costó identificar correctamente a las personas con esquizofrenia; el modelo solo identificó correctamente al 46.78% de los pacientes con esquizofrenia, mientras que el 53.22% fueron clasificados erróneamente como sanos. Esto sugirió que, si bien el programa podía ver la "forma" de las ondas cerebrales, estaba perdiendo algo crucial sobre cómo esas ondas se movían y evolucionaban.
El segundo programa, que combinaba el reconocimiento de patrones con una comprensión del tiempo, funcionó significativamente mejor. Al aprender no solo cómo se veían las señales, sino también cómo se desarrollaban segundo a segundo, este modelo alcanzó un AUC de más de 0.92. Identificó correctamente a cerca del 91 por ciento de las personas con esquizofrenia y a casi el 90 por ciento de las personas sanas. Los resultados mostraron que la sincronización de la actividad eléctrica del cerebro contiene pistas vitales que las instantáneas estáticas pasan por alto. El estudio encontró que el modelo híbrido era mucho más fiable, con una tasa de éxito que era casi 20 puntos porcentuales mayor que la del modelo más simple.
Estos hallazgos sugieren que la clave para detectar la esquizofrenia a través de las ondas cerebrales reside en comprender la historia que las señales cuentan a lo largo del tiempo, no solo la imagen que crean en un solo momento. Si bien los investigadores señalaron que su conjunto de datos era relativamente pequeño y que se necesitan más pruebas con grupos más grandes antes de que este método pueda utilizarse en hospitales, los resultados ofrecen un camino prometedor. Indican que, al enseñar a las computadoras a escuchar el ritmo del cerebro, pronto podríamos tener una herramienta poderosa y objetiva para ayudar a los médicos a detectar este difícil trastorno de manera más temprana y precisa que nunca.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.