Caractérisation neurophysiologique de l'EEG du trouble du spectre autistique par analyse fréquentielle basée sur la DWT avec électrodes sélectives et segmentation cérébrale : une approche explicable par IANeurophysiological EEG Characterization of Autism Spectrum Disorder Using DWT-Based Frequency Analysis With Selective Electrodes and Brain Segmentation: An Explainable AI-Driven Approach.
- L'étude utilise une analyse fréquentielle par DWT sur 15 électrodes EEG segmentées en 7 régions cérébrales pour caractériser le TSA.
- Les bandes delta et thêta sont identifiées comme les caractéristiques les plus discriminantes via une approche d'IA explicable.
- La régression logistique atteint une précision de 88,57 % avec une AUC de 0,77 pour la classification TSA vs. neurotypiques.
Étude pertinente pour le diagnostic du TSA par EEG avec des méthodes d'IA explicable, mais préliminaire et non encore validée sur des échantillons larges. Note de 70/100 pour un intérêt clinique modéré à élevé.
Les résultats sont préliminaires et exploratoires, nécessitant une validation sur des cohortes indépendantes plus larges. L'étude n'a utilisé qu'un seul jeu de données avec 15 électrodes, limitant la généralisabilité. La comparaison avec d'autres méthodes de diagnostic n'est pas exhaustive. L'absence de données cliniques longitudinales limite l'évaluation de l'utilité pronostique.
Cette étude propose une méthode de caractérisation neurophysiologique de l'EEG pour le diagnostic du trouble du spectre autistique (TSA) chez les enfants. Elle utilise la transformée en ondelettes discrète (DWT) pour extraire les bandes de fréquences (delta, thêta, alpha, bêta, gamma) à partir de 15 électrodes segmentées en 7 régions cérébrales. Les caractéristiques spectrales et statistiques sont ensuite classifiées par plusieurs algorithmes d'apprentissage automatique (régression logistique, extra trees, LSTM, etc.). La régression logistique atteint 88,57 % de précision (AUC=0,77) et les réseaux LSTM environ 87 %. L'analyse d'explicabilité identifie les bandes delta et thêta comme les plus discriminantes. Les résultats sont préliminaires et nécessitent une validation sur des cohortes indépendantes.
L'étude utilise une analyse fréquentielle par DWT sur 15 électrodes EEG segmentées en 7 régions cérébrales pour caractériser le TSA. Les bandes delta et thêta sont identifiées comme les caractéristiques les plus discriminantes via une approche d'IA explicable. La régression logistique atteint une précision de 88,57 % avec une AUC de 0,77 pour la classification TSA vs. neurotypiques. Les réseaux LSTM montrent une capacité de modélisation séquentielle compétitive avec une précision d'environ 87 %. Les résultats sont préliminaires et exploratoires, en attente de validation sur des cohortes indépendantes plus larges.
Cette approche automatisée pourrait fournir un outil d'aide au diagnostic objectif du TSA basé sur l'EEG. L'identification des bandes delta et thêta comme biomarqueurs pourrait orienter les protocoles d'évaluation clinique. L'IA explicable améliore la transparence et la confiance dans les décisions diagnostiques assistées par ordinateur.
Modéré