An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

El cerebro humano es una vasta y vibrante red de señales eléctricas, que se activan constantemente en patrones que cambian con nuestros pensamientos, emociones y estados de salud. Durante décadas, los médicos han dependido de entrevistas y observaciones para diagnosticar condiciones de salud mental complejas como la esquizofrenia, un trastorno que altera la forma en que una persona piensa, siente e interactúa con el mundo. Si bien estos métodos clínicos son esenciales, también son subjetivos, lo que a menudo conduce a retrasos o clasificaciones erróneas. En años recientes, los científicos han recurrido a la electroencefalografía, o EEG, una técnica no invasiva que coloca sensores en el cuero cabelludo para registrar la actividad eléctrica del cerebro. A diferencia de los costosos escaneos cerebrales, el EEG es asequible y portátil, ofreciendo una ventana directa a la dinámica en tiempo real del cerebro. El desafío siempre ha sido que estas señales eléctricas son increíblemente complejas y sutiles, lo que dificulta la detección de los patrones específicos que distinguen un cerebro sano de uno afectado por una enfermedad.

Un equipo de investigadores de varias universidades de Irán ha desarrollado una nueva forma de abordar este problema, creando un sistema que no solo identifica estos patrones, sino que también explica exactamente cómo los encontró. Al analizar grabaciones de 101 personas —51 diagnosticadas con esquizofrenia y 50 voluntarios sanos—, los investigadores construyeron un marco de aprendizaje automático capaz de distinguir entre ambos grupos con una notable precisión. El estudio se centró en dos estados específicos: cuando los participantes permanecían con los ojos cerrados y cuando permanecían con los ojos abiertos. El sistema no se limitó a adivinar; analizó miles de descripciones matemáticas de las ondas cerebrales, seleccionó las más reveladoras y utilizó un potente algoritmo computacional para tomar su decisión. Crucialmente, los investigadores no se detuvieron en una simple respuesta de "sí o no". Utilizaron un método para desvelar las capas del proceso de toma de decisiones de la computadora, revelando qué partes específicas del cerebro y qué tipos de actividad eléctrica eran los más importantes para el diagnóstico.

El núcleo de este trabajo reside en cómo los investigadores manejaron el enorme volumen de datos recolectados de los sensores de EEG. Cada grabación producía una cantidad masiva de información, demasiada para que una computadora la procesara eficientemente sin confundirse. Para resolver esto, el equipo utilizó un proceso de selección paso a paso para encontrar las veinte mediciones más útiles de las miles disponibles. Estas mediciones no eran simples promedios; incluían descripciones complejas de qué tan caóticas u ordenadas eran las ondas cerebrales, así como cuánta energía estaba presente en diferentes rangos de velocidad de las señales. Una vez que este conjunto de datos más pequeño y de alta calidad estuvo listo, los investigadores probaron diez tipos diferentes de modelos de aprendizaje computacional para ver cuál podía separar mejor a los pacientes de los controles sanos. Utilizaron un método de prueba riguroso donde la computadora era entrenada con los datos de casi todos y luego probada con una sola persona que no había visto antes, repitiendo esto para cada participante para asegurar que los resultados fueran genuinos y no solo un golpe de suerte.

Los resultados mostraron que los modelos computacionales funcionaron mejor cuando los participantes tenían los ojos cerrados. En este estado de reposo tranquilo, los modelos más exitosos identificaron correctamente la condición aproximadamente el 81 por ciento de las veces. Los modelos que mejor funcionaron fueron aquellos que imitan cómo un grupo de expertos votaría sobre una decisión, combinando muchos juicios pequeños para llegar a una conclusión final. Cuando los participantes abrían los ojos, los modelos aún eran capaces de distinguir los grupos, pero la precisión disminuía ligeramente, lo que sugiere que la actividad interna de reposo del cerebro contiene signos más claros del trastorno que su actividad mientras procesa el mundo exterior. La computadora no dependió de un solo tipo de señal para tomar estos juicios; en cambio, encontró que una mezcla de diferentes mediciones funcionaba mejor. Las señales más importantes provenían de la parte frontal y los lados del cerebro, involucrando específicamente la velocidad de las ondas y la complejidad de sus patrones.

Quizás la contribución más significativa de este estudio es la transparencia que aporta al proceso. En muchos intentos previos de usar computadoras para el diagnóstico médico, el sistema actúa como una "caja negra", dando una respuesta sin explicar el porqué. Aquí, los investigadores utilizaron una herramienta para mapear exactamente qué características impulsaron las decisiones de la computadora. Descubrieron que la señal más influyente era una medida de complejidad de la parte frontal central del cerebro. Cuando esta señal era altamente compleja, la computadora se inclinaba hacia el diagnóstico de esquizofrenia; cuando era más simple, se inclinaba hacia un diagnóstico saludable. Otras señales clave incluyeron la fuerza de ritmos específicos de ondas cerebrales en las regiones temporales en los lados de la cabeza. Este hallazgo sugiere que el trastorno no está definido por una sola parte rota del cerebro, sino por una combinación de cambios en cómo diferentes regiones procesan la información y qué tan caótica se vuelve su actividad eléctrica.

Los investigadores señalaron cuidadosamente que, si bien su sistema funcionó bien, fue probado en un grupo específico de personas de un único centro médico. Esto significa que los hallazgos son prometedores pero aún no son una solución definitiva para todos los hospitales del mundo. El estudio argumenta explícitamente contra la idea de que las pruebas simples y a pequeña escala son suficientes, mostrando que estudios previos con muy pocos participantes a menudo producían resultados excesivamente optimistas que no se sostenían cuando se probaban más estrictamente. Al utilizar un grupo de personas más grande y un método de prueba más riguroso, este estudio proporciona una imagen más realista de lo que es posible. El trabajo demuestra que combinar una selección cuidadosa de mediciones de ondas cerebrales con un aprendizaje computacional avanzado puede crear una herramienta de diagnóstico confiable. También demuestra que estas herramientas pueden hacerse comprensibles, mostrando a médicos y pacientes exactamente qué signos biológicos se están utilizando para llegar a una conclusión. Este enfoque ofrece un camino hacia herramientas más objetivas, basadas en el cerebro, que algún día podrían ayudar a los médicos a diagnosticar la esquizofrenia de manera más temprana y precisa, yendo más allá de las entrevistas subjetivas hacia una comprensión más clara de la realidad eléctrica del cerebro.