Inteligência Artificial no Diagnóstico de Autismo: Precisão e Limitações
Modelos de aprendizado de máquina têm demonstrado potencial para auxiliar no diagnóstico de Transtorno do Espectro Autista (TEA). No entanto, um estudo recente destaca a importância de compreender os vieses e limitações desses modelos, especialmente em relação à generalização dos resultados para diferentes populações. A pesquisa investigou como as características dos dados de treinamento influenciam a precisão e a confiabilidade dos diagnósticos gerados por algoritmos.
O estudo analisou dados da Social Responsiveness Scale (SRS), um questionário que avalia traços autísticos, coletados de duas amostras distintas em Taiwan: uma amostra clínica, composta por indivíduos diagnosticados com TEA e um grupo de comparação não autista, e uma amostra da comunidade em geral. Modelos de classificação foram treinados utilizando esses dados, e os casos de classificação incorreta foram analisados em relação a fatores como sexo, idade, Quociente de Inteligência (QI), sintomas avaliados pelo Child Behavior Checklist (CBCL) e diagnósticos psiquiátricos coexistentes.
Os resultados revelaram que, embora os modelos apresentassem alta precisão dentro de cada amostra (clínica e comunitária), a capacidade de generalização entre as amostras era limitada. Quando um modelo treinado com dados da amostra comunitária foi aplicado à amostra clínica, o desempenho diminuiu significativamente. Observou-se que indivíduos não autistas erroneamente classificados como autistas apresentavam sintomas comportamentais elevados e maior prevalência de Transtorno de Déficit de Atenção e Hiperatividade (TDAH). Em contrapartida, indivíduos autistas erroneamente classificados como não autistas tendiam a apresentar menos sintomas comportamentais e, na amostra comunitária, QI mais elevado e comportamento agressivo, mas menos problemas sociais e de atenção. Esses achados ressaltam a necessidade de cautela na aplicação de modelos de aprendizado de máquina para o diagnóstico de TEA, enfatizando a importância de considerar a diversidade das populações e os potenciais vieses presentes nos dados de treinamento para garantir a precisão e a equidade dos resultados.
Origem: Link