es fr Aprendizaje automático en imágenes poblacionales para la salud mental Aprendizaje estadístico en imágenes poblacionales para la salud mental

Resumen: Los trastornos mentales presentan una alta heterogeneidad entre los individuos. Una dificultad fundamental para estudiar sus manifestaciones o factores de riesgo es que el diagnóstico de las condiciones mentales patológicas rara vez está disponible en grandes cohortes de salud pública. Aquí buscamos desarrollar biomarcadores, firmas cerebrales de los trastornos mentales. Para ello, utilizamos el aprendizaje automático para predecir los resultados de la salud mental a través de las imágenes de la población, basándonos en las imágenes cerebrales (MRI). Teniendo en cuenta las evaluaciones conductuales o clínicas, las imágenes de la población pueden vincular las características únicas de las variaciones cerebrales con estas medidas no cerebrales autodeclaradas basadas en cuestionarios. Estas medidas no cerebrales proporcionan una descripción única de las diferencias psicológicas de cada individuo que puede relacionarse con la psicopatología mediante métodos estadísticos. Esta tesis doctoral examina el potencial de aprendizaje de estos resultados basados en imágenes para analizar la salud mental. Mediante el uso de métodos de aprendizaje automático, realizamos una evaluación exhaustiva y sólida de las medidas poblacionales para orientar las predicciones de alta calidad de los resultados sanitarios. Esta tesis está organizada en tres partes principales: en primer lugar, presentamos un estudio en profundidad de los biomarcadores del conectoma, en segundo lugar, proponemos una reducción de datos significativa que facilite los estudios de imágenes de población a gran escala y, por último, introducimos medidas indirectas para la salud mental. En primer lugar, establecimos un estudio exhaustivo del conectoma por imágenes para predecir los fenotipos clínicos. Con el aumento de las imágenes cerebrales de alta calidad adquiridas en ausencia de una tarea explícita, existe una creciente demanda para evaluar los modelos predictivos existentes. Realizamos comparaciones sistemáticas que vinculan estas imágenes con evaluaciones clínicas en múltiples cohortes para evaluar la solidez de los métodos de imagen basados en la población para la salud mental. Nuestros resultados ponen de manifiesto la necesidad de una base sólida en la construcción de redes cerebrales entre individuos. Describen opciones metodológicas claras. En segundo lugar, contribuimos a una nueva generación de atlas funcionales del cerebro para facilitar las predicciones de alta calidad para la salud mental. Los atlas cerebrales funcionales son, de hecho, el principal cuello de botella para la calidad de la predicción. Estos atlas se construyen analizando volúmenes cerebrales funcionales a gran escala mediante un algoritmo estadístico escalable para proporcionar una mejor base de predicción de resultados. Tras compararlos con los métodos más avanzados, mostramos su utilidad para mitigar los problemas de procesamiento de datos a gran escala. La última contribución principal consiste en investigar posibles medidas sustitutivas de los resultados sanitarios. Consideramos las comparaciones de modelos a gran escala utilizando medidas cerebrales con evaluaciones conductuales en una cohorte de imágenes epidemiológicas, el Biobanco del Reino Unido. En este complejo conjunto de datos, el reto consiste en encontrar las covariables adecuadas y vincularlas a objetivos bien elegidos. Esto es difícil porque hay muy pocos objetivos fiables de la enfermedad. Tras una cuidadosa selección y evaluación del modelo, identificamos medidas indirectas que se correlacionan con condiciones no patológicas como el estado del sueño, el consumo de alcohol y la actividad física. Estos pueden ser indirectamente útiles para el estudio epidemiológico de la salud mental.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *