Diagnóstico del TDAH con Redes Neuronales Convolucionales a partir de rs-fMRI

Resumen

Introducción: El Trastorno por Déficit de Atención-Hiperactividad (TDAH) afecta el desempeño académico, las relaciones sociales y la regulación emocional. Si bien tiene una prevalencia global estimada del 5%, el diagnóstico enfrenta limitaciones debido a la dependencia de evaluaciones clínicas extensas y la escasez de profesionales capacitados. Este estudio tuvo como objetivo desarrollar un método automatizado para apoyar el diagnóstico del TDAH mediante resonancia magnética funcional en estado de reposo (rs-fMRI) y redes neuronales convolucionales (CNN).

Método: Se utilizaron N=177 rs-fMRI de personas con TDAH (n=90) y controles con desarrollo típico (n=87) del sitio New York University Child Study Center, disponibles en el repositorio ADHD-200, con edades entre 7 y 18 años. Las imágenes fueron preprocesadas con el Pipeline ATHENA para la obtención de matrices de conectividad funcional a partir de la señal BOLD de 18 regiones de interés (ROIs). Estas matrices fueron la entrada de la CNN bidimensional (2D) diseñada para la clasificación binaria entre TDAH y controles.

Resultados: El modelo fue entrenado durante 150 momentos alcanzó una precisión = 0.81 y una pérdida de validación = 0.53 en el momento 69, lo que indica un desempeño adecuado para entornos clínicos. Las principales alteraciones en conectividad se localizaron en la red del modo por defecto, la corteza prefrontal y el cíngulo anterior.

Conclusiones: Los hallazgos respaldan el uso de CNN para el diagnóstico automatizado del TDAH, lo que reduce la dependencia exclusiva de pruebas psicométricas para la detección del trastorno. Se recomienda ampliar el tamaño muestral y explorar arquitecturas híbridas para optimizar la precisión y la generalización del modelo desarrollado.