- Published on
BrainHack 2024: Inteligencia Artificial y Neurociencias
Este año tuvimos el honor de ser anfitriones de la edición latinoamericana de BrainHack 2024, el Workshop Internacional de Inteligencia Artificial y Neurociencias, que tuvo su lugar en Argentina en el Centro de Neurociencias Cognitivas de la Universidad de San Andrés.
Brindamos una formación de alto nivel a los participantes y la oportunidad de aplicar inmediatamente sus conocimientos en proyectos de neurotecnología.
A continuación abordaremos los proyectos resultantes.
Proyectos
Detección de biomarcadores de TDAH utilizando aprendizaje automático
Por Francisco Covelli, Agustin Rodriguez y Ezequiel Sirne
Utilizando datos preprocesados de la base ADHD-200, que contaba 362 personas diagnosticadas con TDAH y 585 controles, este grupo entrenó distintos modelos de machine learning a fin de identificar si existen alteraciones en la conectividad funcional entre las personas con diagnóstico de TDAH y los controles. Utilizaron bibliotecas de python como Numpy, Pandas, Nilearn, Scikit-learn, entre otras, y adicionalmente software para visualización de las ROIs como MRIcroGL. Implementaron Regresión Logística y XGBoost, y combinaciones con Principal Component Analysis y Linear Discriminant Analysis, obteniendo los mejores resultados con XGBoost. Luego obtuvieron las características más relevantes para el modelo para una correcta discriminación entre muestras, y contrastaron estos resultados con la bibliografía científica. Publicado en BrainHack School.
Identificación de marcadores de EEG en estado de reposo para la clasificación de trastornos psiquiátricos utilizando Machine Learning
Por Lucila Capurro, Yohann Corfdir, Romina Staffieri, Leonela Tassone, Aylin Vazquez Chenlo
Este grupo utilizó una base de datos preprocesada con 945 registros de EEG en reposo. En total, la base contaba con 1149 características, entre las cuales había datos que no pertenecen al EEG: 6 trastornos principales y 9 trastornos específicos y datos demográficos. Luego de reducir los datos hacia los trastornos de interés (Trastornos del ánimo, Trastornos de ansiedad y Trastornos adictivos) junto a los datos de controles, entrenaron modelos de Regresión logística, obteniendo resultados aceptables en entrenamiento pero no tan buenos en la fase de prueba, y destacando como características de EEG más importantes FC (delta y theta) y PSD relativizado.
Identificación de marcadores acústicos y semánticos para la detección y regresión del MMSE en pacientes con alzheimer
Por Matias Caccia, Jeremias Inchauspe y Paloma Georgopulos
El equipo utilizó datos del Pitt Corpus de DementiaBank para identificar marcadores acústicos y semánticos en pacientes con Alzheimer, con el objetivo de detectar la enfermedad y estimar puntajes del MMSE. Implementaron modelos de clasificación (XGBoost, Random Forest, SVM, Regresión Logística) y regresión (XGBoost, Random Forest, SVM), destacándose la Regresión Logística con características acústicas (precisión del 79%) y SVM con características semánticas (RMSE de 5.07). Algunas limitaciones del trabajo incluyen la calidad variable de audios y transcripciones.
Detección de biomarcadores de proteómica utilizando aprendizaje automático
Por Marcelo Peralta, Ivana Primost, Leonardo Rivadeneira, Naiara Zilinski
El equipo desarrolló modelos de aprendizaje automático para identificar biomarcadores de Parkinson utilizando datos del estudio PPMI, incluyendo datos genéticos, metabólicos y clínicos. Implementaron Random Forest, SVM, y XGBoost, con técnicas como PCA y RFE. Los modelos lograron precisiones aceptables, destacándose la importancia de la alfa-sinucleína. Los resultados replicaron parcialmente resultados de investigaciones previas. Se puede ver el repositorio aquí.
Clases de IA y Neurociencias abiertas al público
Organizamos dos clases con investigadores destacados, abiertas al público en nuestro canal de YouTube.
Exploramos el diseño de una red neuronal profunda para detección de patrones epileptogénicos en registros invasivos con neuroestimulación responsiva, con la Dra. Victoria Peterson, investigadora en IMAL-UNL-CONICET. Disponible aquí.
Abordamos tres líneas de investigación neurolingüística centradas en el lenguaje corporizado, el multilingüismo y los marcadores lingüísticos de salud cerebral, con el Dr. Adolfo García, Director del Centro de Neurociencias Cognitivas de UdeSA. Disponible aquí.
BrainHack es Global
BrainHack tuvo lugar con la participación simultánea de destacadas universidades internacionales, entre las que se incluyen la Universidad de Montreal en Canadá, la Universidad de Toronto, y la Universidad de Marburgo en Alemania.
Queremos agradecer a todos los docentes dedicados a lo largo de este proyecto: Gastón Bujia, Bruno Zorzet, Catalina María Galván, Nahuel Passano, Felipe Aguirre y Pablo Marinozi. Sin su excelente trabajo de docencia este proyecto no hubiera sido posible.
Además, queremos agradecer a Isil Bilgin y Pierre Bellec, organizadores de Brainhack School, por la oportunidad de colaborar y hacer de este evento un éxito internacional.
Gracias a todos por su pasión y esfuerzo, que hicieron de BrainHack 2024 una experiencia inolvidable y enriquecedora para todos los participantes.
¡Hasta la próxima edición! 🌟