Enfoque de propagación de relevancia por capas para el diagnóstico de hombres con trastorno depresivo mayor sin tratamiento farmacológico mediante electroencefalografía en reposo

Antecedentes

El diagnóstico de la depresión mayor (MDD) continúa siendo un desafío clínico debido a la ausencia de biomarcadores objetivos y a la alta heterogeneidad de sus manifestaciones. En los últimos años, el desarrollo de herramientas de inteligencia artificial (IA) aplicadas a la electroencefalografía (EEG) ha mostrado un notable avance, ofreciendo la posibilidad de automatizar y optimizar el proceso diagnóstico. Sin embargo, la aplicación práctica de estos sistemas enfrenta dos limitaciones principales: la necesidad de grandes volúmenes de datos de EEG para entrenar los modelos y la falta de interpretabilidad de los diagnósticos generados por IA, lo que dificulta su aceptación clínica.

Objectivo

Este estudio tuvo como objetivo desarrollar un sistema de diagnóstico asistido por computadora (CAD) basado en aprendizaje profundo e integrado con algoritmos de IA explicable (XAI), para identificar pacientes varones con MDD a partir de EEG de estado en reposo. La propuesta buscó mantener altos niveles de precisión diagnóstica con un número reducido de canales de EEG y menor duración de registro, a la vez que proporcionar explicaciones neurofisiológicas claras sobre los patrones detectados.

Métodos

Se recopilaron datos de 40 pacientes varones con MDD (20–63 años) y 41 controles sanos emparejados por edad y género (19–61 años). Se aplicó una red neuronal convolucional superficial (Shallow ConvNet) para distinguir entre ambos grupos. Para interpretar los resultados del modelo, se utilizó el método de propagación de relevancia por capas (LRP), lo que permitió identificar las áreas cerebrales que más contribuían al diagnóstico. Además, se evaluó el impacto en el rendimiento diagnóstico al reducir progresivamente el número de canales y la duración de los registros EEG.

Resultados

El sistema CAD alcanzó un rendimiento diagnóstico del 100% utilizando los 62 canales con 180 segundos de EEG. De forma notable, el rendimiento se mantuvo superior al 90% con solo cinco canales y 60 segundos de EEG, lo que demuestra su viabilidad clínica en escenarios de tiempo y recursos limitados.

Las regiones fronto-centrales, centro-parietales y occipitales mostraron diferencias significativas en las puntuaciones de relevancia, lo que sugiere la presencia de biomarcadores neurofisiológicos específicos de MDD en varones.

Conclusiones

Este estudio desarrolló con éxito un sistema CAD basado en IA explicable de alto rendimiento para el diagnóstico de MDD masculino. Además de lograr alta precisión con datos mínimos, el sistema aporta información neurofisiológica interpretable que puede guiar tanto la investigación clínica como el diseño de intervenciones terapéuticas.

Estos resultados abren la puerta a la implementación práctica de sistemas de IA en psiquiatría, combinando eficacia diagnóstica con transparencia clínica.

Resumen modificado por Cibermedicina

Para acceder al texto completo consulte las características de suscripción de la fuente original: https://onlinelibrary.wiley.com/