A identificação precoce do Transtorno do Espectro Autista (TEA) é crucial para o desenvolvimento e bem-estar de crianças. Métodos tradicionais de diagnóstico, baseados em avaliações clínicas, podem ser demorados e dependem da expertise de especialistas. Nesse contexto, pesquisas recentes exploram o uso de tecnologias avançadas, como a inteligência artificial e a ressonância magnética funcional (fMRI), para agilizar e aprimorar o processo diagnóstico.
Um estudo inovador investigou a aplicação de algoritmos de machine learning em imagens de fMRI em repouso de crianças entre 5 e 10 anos. A fMRI em repouso mede a atividade cerebral enquanto o paciente está em estado de relaxamento, permitindo identificar padrões distintos entre indivíduos com e sem TEA. Os pesquisadores utilizaram diferentes algoritmos, como Support Vector Machine (SVM), Random Forest (RF), K-Nearest Neighbor (KNN) e redes neurais artificiais (ANN), para classificar as imagens cerebrais e diagnosticar o TEA. Os resultados foram promissores, com o algoritmo ANN atingindo uma precisão de 90,38% na detecção do transtorno.
Essa abordagem representa um avanço significativo no diagnóstico do TEA, oferecendo um método mais rápido e objetivo em comparação com as avaliações clínicas tradicionais. A combinação da fMRI em repouso com técnicas de machine learning pode auxiliar os profissionais de saúde na identificação precoce de crianças com TEA, permitindo intervenções mais oportunas e personalizadas. É importante ressaltar que essa tecnologia não substitui a avaliação clínica completa, mas pode servir como uma ferramenta complementar valiosa para o diagnóstico e acompanhamento do TEA, abrindo caminho para um futuro com diagnósticos mais precisos e intervenções mais eficazes.
Origem: Link