Riemannian geometric representation with attention mechanisms for parkinsonian classification of oculomotor patterns.

La enfermedad de Parkinson (EP) es el segundo trastorno neurodegenerativo más prevalente a nivel mundial, caracterizado por la pérdida progresiva de neurotransmisores dopaminérgicos que provoca alteraciones motoras. La caracterización y el análisis de los trastornos del movimiento desempeñan un papel crucial en el diagnóstico clínico; sin embargo, la ausencia de un biomarcador definitivo plantea desafíos en la caracterización de la enfermedad. El análisis del movimiento ocular de persecución suave (SPEM) ha surgido como un posible biomarcador de la EP e incluso se ha evaluado para detectar anormalidades motoras en etapas tempranas. No obstante, las metodologías tradicionales de videos de SPEM suelen requerir procedimientos intrusivos y protocolos especializados, lo que limita la descripción dinámica a trayectorias oculares de baja resolución. Hipotetizamos que los patrones de SPEM abarcan una amplia gama de movimientos caracterizados por complejas relaciones espaciotemporales, potencialmente asociadas con la EP incluso en sus etapas iniciales. Este trabajo introduce una arquitectura de atención geométrica capaz de aprender patrones discriminativos de SPEM para la clasificación de pacientes con EP. Se realizó un análisis detallado de las variaciones de autoatención y atención cruzada para codificar los patrones oculomotores de SPEM. El enfoque propuesto sigue un protocolo no invasivo y flexible para registrar secuencias oculomotoras, que se resumen en matrices definidas positivas simétricas (SPD). A partir de esta representación SPD compacta, el modelo aprende las características de segundo orden más significativas que sustentan las arquitecturas de autoatención y atención cruzada propuestas. El enfoque propuesto fue validado en un estudio que incluyó a 25 pacientes con EP y 25 sujetos control, alcanzando un AUC-ROC de 97.0±4.0 y 98.4±3.2 para las estrategias de autoatención y atención cruzada, respectivamente.