Clasificación de conectomas basado en el análisis mediante redes neuronales en grafos.

Abstract

El cerebro ha sido objeto de numerosas investigaciones debido a su importancia crítica en los procesos cognitivos y emocionales, así como en la comprensión del ser humano y sus comportamientos. Gran parte de este estudio se basa en la observación de las conexiones entre distintas regiones de interés (ROIs, por su sigla en inglés), abarcando tanto las conexiones anatómicas (estructurales) como las regiones con patrones de actividad similares (funcionales). Con el avance de técnicas de medición de la actividad y la conexión estructural cerebral no invasivas, como la resonancia magnética, el estudio de las conexiones cerebrales ha ganado relevancia, y se han desarrollado numerosas técnicas para su análisis. En particular, estas conexiones entre ROIs se representan en la literatura en forma de grafos para su análisis, a los cuales se les llama conectomas. En este trabajo, se hizo énfasis en el problema de clasificación de género a partir de los conectomas. Se obtuvieron resultados estado del arte, de 94,1% de acierto, con una arquitectura de encoder-decoder con una doble función de costo: reconstrucción del grafo funcional a partir del estructural y clasificación que fueron complementadas con técnicas de contrastive learning con métodos clásicos de data augmentation. A su vez, se evaluó la relación entre el grafo funcional y estructural, y su importancia relativa para la clasificación. Dado que es un problema de clasificación de grafos sin señal, se estudiaron distintos embeddings espectrales para utilizar como señal en los grafos y se comparó con la opción más utilizada en la literatura, que es el one-hot encoding. Finalmente, se propuso una herramienta de interpretabilidad inspirada en CAM (Class Activation Mapping) que permite reflejar las decisiones de la red en áreas específicas del cerebro, facilitando la comprensión de los patrones utilizados para la clasificación.