Interpretación de redes neuronales profundas como herramienta para diferenciar subtipos de TDAH a partir de patrones de actividad

Abstract

El Trastorno por Déficit de Atención e Hiperactividad (TDAH) es un trastorno neuropsiquiátrico que afecta a niños y a adultos. El TDAH se divide en tres subtipos: predominantemente inatento, predominantemente hiperactivo y combinado. Tradicionalmente, el diagnóstico tanto del TDAH como de su subtipo se han basado en evaluaciones médicas con un importante componente subjetivo. El correcto diagnóstico del subtipo de TDAH es fundamental para el desarrollo de un tratamiento adecuado y adaptado al paciente. Estudios recientes han revelado que el uso de métodos basados actimetría junto aprendizaje profundo son buenas opciones a la hora de identificar el TDAH, así como diferenciar sus subtipos. Sin embargo, en el caso del TDAH predominantemente hiperactivo, no se ha llevado a cabo ningún estudio de esta índole al tratarse del tipo menos diagnosticado y del que menos información se tiene. Por ello, en el presente trabajo se propone la elaboración de un sistema capaz de caracterizar el TDAH de tipo hiperactivo mediante el análisis de patrones de actividad y técnicas de interpretabilidad. Para ello, a partir de las señales actigráficas de los pacientes, se han creado espectrogramas divididos por el subtipo y se han entrenado redes neuronales convolucionales. Tras ello, se analizan las salidas de dichas redes mediante técnicas como los mapas de oclusión y modelos de mezcla gaussiana.

Attention Deficit Hyperactivity Disorder (ADHD) is a neuropsychiatric disorder that affects children and adults. ADHD is divided into three subtypes: predominantly inattentive, predominantly hyperactive, and combined. Traditionally, the diagnosis of both ADHD and its subtype have been based on medical evaluations with an important subjective component. The correct diagnosis of the ADHD subtype is essential for the development of an suitable treatment adapted to the patient. Recent studies have revealed that the use of actimetry-based methods together with deep learning are good options when it comes to identifying ADHD, as well as differentiating its subtypes. However, in the case of predominantly hyperactive ADHD, no study of this nature has been carried out as it is the least diagnosed type and about which the least information is available. Therefore, in this work we propose the development of a system capable of characterizing hyperactive ADHD through the analysis of activity patterns and interpretability techniques. For this purpose, based on the actigraphic signals of the patients, spectrograms divided by subtype have been created and convolutional neural networks have been trained. After that, the outputs of these networks are analyzed using techniques such as occlusion maps and gaussian mixture models.