Franklin Façanha
Tempo de Leitura: 3 minutos
É possível que a inteligência artificial seja utilizada para diagnosticar o autismo? Esse foi o questionamento que um estudo se propôs a responder. Sempre ouvimos dos médicos e profissionais de saúde que o diagnóstico do Transtorno do Espectro do Autismo (TEA) é clínico, ou seja, não existem exames que possam cravar se uma pessoa é ou não autista, pois os sinais característicos são próprios do comportamento humano.
No entanto, pesquisadores do Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP), publicaram um trabalho em que inteligência artificial foi utilizada para auxiliar análise de imagens de exames de exames de ressonância magnética ou eletroencefalograma, e com esse banco em dados de imagens cerebrais de 500 pessoas, conseguiram identificar que 242 eram pertencentes ao espectro.
Recentemente, muitos trabalhos propuseram novos métodos para o diagnóstico de autismo com base em aprendizado de máquina e dados cerebrais. No entanto, esses trabalhos se concentram em apenas uma métrica estatística pareada, ignorando a organização da rede cerebral. Neste artigo, propomos um método para o diagnóstico automático de autismo baseado em dados de imagens cerebrais funcionais registradas de 500 indivíduos, onde 242 apresentam transtorno do espectro do autismo considerando as regiões de interesse em todo o mapa Bootstrap Analysis of Stable Cluster.
Fonte: Alves, CL, Toutain, TGLdO, de Carvalho Aguiar, P. et al. Diagnóstico do transtorno do espectro do autismo com base em redes cerebrais funcionais e aprendizado de máquina. Sci Rep 13 , 8072 (2023). https://doi.org/10.1038/s41598-023-34650-6
Os pesquisadores abasteceram um algoritmo, que é um método de aprendizagem de máquina, com esses “mapas”. A partir dos exemplos aprendidos, o sistema pôde determinar quais alterações cerebrais estavam associadas ao espectro. A acurácia dos testes foi superior a 95%.
A ideia foi obter o diagnóstico com auxílio de técnicas de aprendizado de máquina a partir dos dados de redes cerebrais. “Iniciamos o desenvolvimento de um método coletando essas imagens por exames de ressonância magnética ou eletroencefalograma”, conta Francisco Rodrigues, professor do Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (ICMC-USP), em São Carlos, e um dos autores apoiados pela Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp)). “Comparando mapas de pessoas que apresentam ou não TEA, verificamos que seria possível fazer o diagnóstico usando essa metodologia.”
A inovação do estudo está na forma como os pesquisadores resolveram criar essa rede neural para que a inteligência artificial pudesse identificar traços característicos nos exames, a fim de encontrar padrões entre os cérebros dos autistas.
Metodologia para obtenção das matrizes de conectividade. Em ( a ), séries temporais de 122 ROI são extraídas de dados de fMRI com o uso do atlas BASC BOLD (destacado em azul, roxo e laranja). As séries temporais são correlacionadas, ( b ), por métricas estatísticas pareadas (a correlação de Pearson foi usada neste exemplo) para formar as matrizes de conectividade, onde cada linha e coluna correspondem a uma das áreas de Brodmann para um paciente com TEA para um com TD . As mesmas matrizes destacadas são dispostas em um esquema cerebral bidimensional e tridimensional para melhor visualização.
Fonte: Alves, CL, Toutain, TGLdO, de Carvalho Aguiar, P. et al. Diagnóstico do transtorno do espectro do autismo com base em redes cerebrais funcionais e aprendizado de máquina. Sci Rep 13 , 8072 (2023). https://doi.org/10.1038/s41598-023-34650-6
Os autores finalizam constando que se sabe que a conectividade funcional do córtex cingulado posterior pós-ventilação esquerda é reduzida em pacientes com TEA, o que é consistente com nossos achados, uma vez que essa região está menos conectada ao cerebelo (região externa BAS1) em pacientes com TEA.
Em relação às redes complexas, as redes cerebrais de pacientes com TEA mostraram mais segregação, uma distribuição mais fraca de informações pela rede e menos conectividade. O processo de deslizamento empregado efetivamente diferenciou pessoas típicas de pacientes com TEA, uma vez que uma amostra com 30 pacientes alcançou 0,81 média de precisão, uma média elevada, pois o limite é 1.
Uma comparação estatística entre o processo de deslizamento e dados completos não mostrou diferenças significativas. Portanto, a metodologia é apropriada para casos de dados de tamanho amostral pequeno. Reconhecem que é necessário mais estudos com um número muito maior de pacientes, para que possa desenvolver ainda mais a técnica.
