Estudio Exploratorio Utiliza fNIRS y Aprendizaje Automático para Diferenciar el Autismo en Niños Pequeños
Nueva Investigación Explora Imagen Cerebral e IA para Identificar el Trastorno del Espectro Autista
Un estudio exploratorio reciente investigó si la espectroscopía funcional en el infrarrojo cercano (fNIRS) combinada con algoritmos de aprendizaje automático podría ayudar a distinguir a niños pequeños con trastorno del espectro autista (TEA) de sus pares con desarrollo típico (DT). La investigación se centró en niños de 2 a 6 años, con el objetivo de evaluar el potencial de esta técnica no invasiva de imagen cerebral como herramienta complementaria para la identificación temprana del TEA.
Diseño y Métodos del Estudio
El estudio analizó datos de activación cerebral recolectados mediante fNIRS, que mide cambios en la oxigenación sanguínea del cerebro, a partir de dos paradigmas de tareas diferentes. En el primer paradigma, 60 niños (29 con TEA y 31 DT) participaron en tres tareas, generando 24 características de activación beta por participante de ocho canales cerebrales. El segundo paradigma involucró a 58 niños (28 con TEA y 30 DT) que completaron dos tareas, proporcionando 16 características beta por participante.
Los investigadores aplicaron siete clasificadores de aprendizaje automático —incluyendo K-vecinos más cercanos (KNN), regresión logística, máquina de vectores de soporte, árbol de decisión, bosque aleatorio, árboles de decisión con aumento de gradiente y XGBoost— a estas características. Los pasos de procesamiento de datos incluyeron normalización, análisis de componentes principales para extracción de características y validación cruzada leave-one-out para evaluar el desempeño de la clasificación. Las métricas clave evaluadas fueron precisión, especificidad, sensibilidad y área bajo la curva (AUC). También se utilizó la prueba de permutación para determinar si los resultados de clasificación superaban los niveles de azar.
Resultados Clave
En el primer paradigma, el clasificador K-vecinos más cercanos alcanzó la mayor precisión con un 56.7%, mientras que el clasificador de árbol de decisión mostró el AUC más alto de 0.582. El segundo paradigma produjo resultados numéricos ligeramente mejores en algunas métricas, pero ningún clasificador demostró un desempeño estadísticamente significativo por encima del azar según las pruebas de permutación.
Es importante destacar que el estudio encontró que las características derivadas de fNIRS no aportaron un valor predictivo significativo más allá de factores demográficos básicos como la edad y el sexo. En general, el desempeño de la clasificación fue modesto, y ninguno de los modelos de aprendizaje automático diferenció de manera confiable a los niños con TEA de los DT en esta muestra.
Contexto e Implicaciones
El diagnóstico temprano del TEA es fundamental para una intervención oportuna, aunque las evaluaciones clínicas actuales dependen en gran medida de observaciones conductuales. Este estudio destaca la factibilidad procedimental de usar fNIRS basado en tareas combinado con aprendizaje automático para fines exploratorios de clasificación. Sin embargo, los resultados modestos indican que se requiere más investigación antes de que tales enfoques puedan ser útiles clínicamente.
Futuros estudios con cohortes más grandes y equilibradas son necesarios para validar estos hallazgos y explorar si las características de fNIRS pueden aportar información diagnóstica significativa más allá de los factores demográficos. La investigación subraya los desafíos para desarrollar biomarcadores objetivos basados en el cerebro para el TEA en niños pequeños.
Limitaciones y Precauciones
La naturaleza exploratoria del estudio y los tamaños relativamente pequeños de las muestras limitan la generalización de los resultados. Además, la falta de un desempeño estadísticamente significativo en la clasificación sugiere que las características de fNIRS por sí solas pueden no ser suficientes para una identificación confiable del TEA en esta etapa. Los investigadores advierten no interpretar estos resultados como evidencia de capacidad diagnóstica.
Las familias y los clínicos deben continuar confiando en los criterios diagnósticos establecidos y en evaluaciones clínicas integrales para la valoración del TEA. Tecnologías emergentes como fNIRS combinadas con aprendizaje automático siguen siendo prometedoras, pero requieren desarrollo y validación adicionales.
Para información más detallada, consulte la publicación original: Espectroscopía Funcional en el Infrarrojo Cercano Combinada con Aprendizaje Automático para la Clasificación Exploratoria del Trastorno del Espectro Autista en Niños Pequeños.
Descarga las imágenes de este artículo
