INFORMACIONES PSIQUIÁTRICAS 249

un lado, se ajustaron modelos predictivos basados en imágenes de un solo dedo. Se generaron modelos individuales para los dedos R1, R2, R3, R4, L1, L2 y L3. Por otro lado, se consideraron redes que combinaban información de varios dedos. Éstas incluían modelos de dos dedos con pares derecha-izquierda (R1- L1, R2-L2 y R3-L3) y modelos de tres dedos que incluían el pulgar, el índice y el dedo corazón de cada mano (R1-R2-R3 y L1-L2-L3). A partir de los ajustes iniciales con el conjunto de datos del NIST, quedó claro que el sexo tenía una gran influencia en las huellas dac- tilares. Por lo tanto, para evitar el efecto de confusión del sexo en las clasificaciones de pacientes/control, las muestras debían tener la misma proporción de hombres y mujeres en pacientes y controles. Los tamaños finales de las muestras y las proporciones de sexos uti- lizadas para cada modelo figuran en la Tabla 1. Se aplicó un esquema de validación cruzada quíntuple para obtener estimaciones no sesgadas de las precisiones de clasificación de los modelos. Las estimaciones finales de precisión se obtuvieron a par- tir de los valores medios de éxito de clasificación de las submues- tras de validación. A partir de estos mismos datos se obtuvieron intervalos de confianza Bootstrap del 95%. La construcción y el entrenamiento de todas las redes se llevó a cabo utilizando la API R de Keras (https://keras.rstudio.com) que, a su vez, se ejecuta en la plataforma TensorFlow (www.tensorflow.org ). Todos los cálculos de las redes se realizaron en una unidad de procesamiento gráfico (GPU) NVIDIA Quadro RTX 6000 de 24 GB. Resultados La arquitectura general de la red seleccionada tras los ajustes ex- ploratorios contenía 4 capas convolucionales iniciales (tres de ellas seguidas de la agrupación del valor máximo) y dos capas densas. En todas las capas se utilizaron unidades lineales rectificadas como funciones de activación, excepto en la última capa densa, donde se consideró una sigmoidea para obtener salidas en el rango de proba- bilidades. HUELLAS DACTILARES COMO PREDICTORES DE LA ESQUIZOFRENIA: UN ESTUDIO DE APRENDIZAJE PROFUNDO