Saúde Desvendada

O Transtorno do Espectro Autista (TEA) é uma condição complexa, e o desenvolvimento de ferramentas de diagnóstico precisas e acessíveis é fundamental. Uma pesquisa recente explora o uso de algoritmos de inteligência artificial (IA) para auxiliar no diagnóstico do TEA, buscando modelos mais precisos e estáveis. O estudo aborda um desafio significativo: a grande variedade de dados de ressonância magnética funcional (rs-fMRI) coletados em diferentes centros de pesquisa, o que pode afetar a precisão dos diagnósticos auxiliares.

Para contornar essa dificuldade, os pesquisadores propuseram um algoritmo adaptativo baseado na incorporação do espaço hiperbólico. Essa abordagem se baseia no fato de que o espaço hiperbólico é naturalmente adequado para representar a topologia de redes complexas, como as redes cerebrais funcionais. Ao incorporar a rede funcional do cérebro no espaço hiperbólico, é possível construir uma rede comunitária que facilita a extração de representações latentes relevantes. Essa técnica ajuda a mitigar a heterogeneidade dos dados e a diferença entre os domínios de diferentes centros de coleta.

O estudo também introduziu uma função de perda de restrição, chamada Hyperbolic Maximum Mean Discrepancy (HMMD), para alinhar as distribuições marginais no espaço hiperbólico. Além disso, o alinhamento do protótipo de classe é utilizado para reduzir as discrepâncias nas distribuições condicionais entre os domínios. Os resultados experimentais demonstram que o algoritmo proposto alcança um desempenho de classificação superior para o TEA em comparação com os modelos de referência, apresentando maior robustez à heterogeneidade entre os centros de pesquisa. Especificamente, o método alcançou uma melhoria média de precisão de 4,03%. A capacidade de generalização do algoritmo foi ainda validada por meio de experimentos adicionais conduzidos em conjuntos de dados de Transtorno Depressivo Maior (TDM), ampliando sua aplicabilidade no campo da saúde mental.

Origem: Link