Aprendizaje Computacional aplicado al diagnóstico de autismo mediante conectomas funcionales

Abstract

Este proyecto ha sido creado con el objetivo de ayudar en el diagnóstico del Trastorno del Espectro Autista (TEA), tarea dificultada por la complejidad del mismo. Se estima que entre el 1 % y el 2 % de los niños lo padecen, y aunque existen numerosos métodos de diagnóstico enfocados en las características visibles del autismo (ámbito social y familiar, comportamientos comunes, inteligencia cognitiva), sus manifestaciones difieren entre sexos e individuos, por lo que los resultados no siempre son fiables. La investigación del TEA ha revelado que el trastorno se debe más a las diferencias en las conexiones del cerebro que en su anatomía, y estas conexiones se muestran en los conectomas funcionales de los pacientes. Este trabajo usa conectomas de individuos con y sin TEA para crear modelos de clasificación específicos para mujeres y hombres, además de otros genéricos. Estos se extraen aplicando una herramienta creada en el Centro de Imagen y Análisis de la Universidad de Duke a las resonancias magnéticas funcionales recopiladas en el proyecto ABIDE. Se han empleado cinco algoritmos de clasificación diferentes, y los más precisos de cada uno están integrados en una aplicación que permite al usuario introducir los datos de conectoma o fMRI de un paciente para que se realice una predicción con los cinco modelos seleccionados, sirviendo esta de ayuda al diagnóstico.