Explainable artificial intelligence-driven visual task-specific electroencephalogram analysis for attention deficit hyperactivity disorder detection using information-theoretic feature selection.

Contexte : Le trouble du déficit de l'attention avec hyperactivité (TDAH) est un trouble neurologique qui affecte principalement les enfants, impactant leur développement moteur, leur vision, leur traitement de l'information, leur mémoire et leurs fonctions sensorielles. Bien que de nombreuses recherches aient porté sur le développement de modèles d'apprentissage automatique (ML) pour diagnostiquer le TDAH à partir des données d'électroencéphalographie (EEG), ces modèles manquent souvent d'interprétabilité. Objectif : Cet article propose une approche basée sur l'intelligence artificielle explicable (IA) pour améliorer l'interprétation des prédictions en analysant les données EEG du TDAH. Méthode : L'approche calcule l'entropie, l'information mutuelle et l'entropie de transfert à partir des données EEG, en utilisant le système 10-20. Les caractéristiques au niveau des électrodes sont agrégées en représentations par région cérébrale, puis des modèles ML sont appliqués pour sélectionner le modèle optimal. Résultats : Les résultats expérimentaux et statistiques montrent que la machine à vecteurs de support (SVM) atteint une précision de classification de 92 % pour le TDAH, ce qui la rend plus adaptée aux tâches de dépistage clinique que d'autres algorithmes existants. Les explications obtenues via LIME, SHAP et PDP révèlent que des valeurs élevées d'entropie et d'entropie de transfert dans la région frontale indiquent une incertitude, tandis qu'une participation réduite de la région occipitale suggère une dysfonction visuelle chez les enfants atteints de TDAH. Les PDP montrent que les valeurs maximales des trois mesures dans les lobes frontaux, occipitaux et centraux contribuent à l'importance des caractéristiques pour la prédiction. Intérêt clinique : Cette méthode offre une interprétation claire des résultats, ce qui pourrait faciliter l'intégration de l'IA dans les pratiques cliniques pour le dépistage du TDAH. Limites : L'analyse repose principalement sur l'abstract, et les données disponibles sont limitées. Les résultats ne peuvent pas être confirmés sans accès au texte complet.

Utilisation de l'IA explicable pour l'analyse EEG du TDAH Méthode basée sur l'entropie, l'information mutuelle et l'entropie de transfert Précision de 92 % avec la SVM pour la classification du TDAH Interprétation via LIME, SHAP et PDP révélant des anomalies cérébrales spécifiques Potentiel pour le dépistage clinique

Amélioration de l'interprétation des modèles d'IA en neurologie Outils pour le dépistage précoce du TDAH basés sur des données EEG Identification de biomarqueurs cérébraux liés au TDAH

Analyse basée uniquement sur l'abstract, sans accès au texte complet Données limitées sur les méthodes d'analyse détaillées Absence de validation sur des cohortes cliniques variées

Faible