Estudio de la utilidad de diferentes métodos de interpretabilidad de redes profundas en el diagnóstico del TDAH

Abstract

Este Trabajo de Fin de Máster tiene como objetivo avanzar en la línea de investigación de estudios previos sobre el diagnóstico del Trastorno por Déficit de Atención e Hiperactividad (TDAH), especialmente en su subtipo hiperactivo. Tradicionalmente, el diagnóstico del TDAH se basa en evaluaciones clínicas, las cuales son subjetivas debido a la interpretación de los síntomas y la observación del paciente. El propósito de este estudio es desarrollar un sistema de diagnóstico objetivo utilizando técnicas de aprendizaje profundo e Inteligencia Artificial Explicable (XAI). El trabajo se enfoca principalmente en caracterizar y diferenciar los subtipos de TDAH mediante el análisis de señales actigráficas, procesadas en espectrogramas, utilizando Redes Neuronales Convolucionales y Vision Transformers. Además, se emplean métodos de XAI para interpretar las salidas de las redes neuronales e identificar características clave que distinguen los subtipos de TDAH. La investigación también compara el rendimiento de los diferentes modelos, con el fin de mejorar la precisión del diagnóstico y proporcionar una visión más clara de las características del subtipo hiperactivo. Este trabajo contribuye a reducir la subjetividad en el diagnóstico y ofrece un enfoque prometedor para un diagnóstico más preciso y eficiente del TDAH

This Master’s Thesis aims to advance the line of research of previous studies on the diagnosis of Attention Deficit Hyperactivity Disorder (ADHD), especially in its hyperactive subtype. Traditionally, the diagnosis of ADHD is based on clinical assessments, which are subjective due to the interpretation of symptoms and observation of the patient. The purpose of this study is to develop an objective diagnostic system using deep learning techniques and Explainable Artificial Intelligence (XAI). The work mainly focuses on characterizing and differentiating ADHD subtypes by analyzing actigraphic signals, processed in spectrograms, using Convolutional Neural Networks and Vision Transformers. In addition, XAI methods are used to interpret the outputs of the neural networks and identify key features that distinguish the ADHD subtypes. The research also compares the performance of the different models, in order to improve the accuracy of the diagnosis and provide a clearer view of the characteristics of the hyperactive subtype. This work contributes to reducing subjectivity in diagnosis and offers a promising approach for a more accurate and efficient diagnosis of ADHD.