Autor/autores:
Ashley N. Nielsen, Deanna M. Barch, , Steven E. Petersen...(et.al) 5,6,7
Los trastornos psiquiátricos son complejos e involucran sintomatología heterogénea y neurobiología que rara vez implican la interrupción de estructuras cerebrales aisladas y únicas. En un intento por describir y comprender mejor las complejidades de los trastornos psiquiátricos, los investigadores han aplicado cada vez más enfoques de clasif...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Los trastornos psiquiátricos son complejos e involucran sintomatología heterogénea y neurobiología que rara vez implican la interrupción de estructuras cerebrales aisladas y únicas.
En un intento por describir y comprender mejor las complejidades de los trastornos psiquiátricos, los investigadores han aplicado cada vez más enfoques de clasificación de patrones multivariados a los datos de neuroimagen y, en particular, a los métodos supervisados de aprendizaje automático.
Sin embargo, los enfoques de aprendizaje automático supervisados también presentan desafíos y compensaciones únicas, que requieren consideraciones adicionales de diseño e interpretación del estudio.
El objetivo de esta revisión es proporcionar un conjunto de mejores prácticas para evaluar las aplicaciones de aprendizaje automático para los trastornos psiquiátricos.
Discutimos cómo evaluar dos esfuerzos comunes:
1) hacer predicciones que tienen el potencial de ayudar en el diagnóstico, pronóstico y tratamiento, y
2) interrogar los complejos mecanismos neurofisiológicos subyacentes a la psicopatología.
Nos centramos aquí en el aprendizaje automático aplicado a la conectividad funcional MRI, como un ejemplo para la discusión en el terreno. Argumentamos que para que la clasificación de aprendizaje automático tenga una utilidad traslacional para las predicciones a nivel individual, los investigadores deben asegurarse de que la clasificación sea clínicamente informativa, independiente de las variables de confusión y que se evalúe adecuadamente tanto el rendimiento como la generalización.
Sostenemos que arrojar luz sobre los mecanismos complejos que subyacen a los trastornos psiquiátricos requerirá la consideración de la utilidad, la capacidad de interpretación y la fiabilidad únicas de las características de neuroimagen (por ejemplo, regiones, redes, conexiones) identificadas a partir de enfoques de aprendizaje automático.
Por último, discutimos cómo el aumento de grandes conjuntos de datos disponibles en sitios múltiples y públicos puede contribuir a la utilidad de los enfoques de aprendizaje automático en psiquiatría.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.biologicalpsychiatrycnni.org
