Saúde Desvendada

A busca por métodos de diagnóstico mais precisos e personalizados no campo da saúde tem levado à exploração de tecnologias inovadoras, como a Inteligência Artificial (IA). Um estudo recente apresenta o FaithfulNet, um framework de aprendizado profundo (deep learning) que promete auxiliar no diagnóstico do Transtorno do Espectro Autista (TEA) através da análise de ressonâncias magnéticas estruturais (sMRI).

O grande diferencial do FaithfulNet reside na sua capacidade de explicar as decisões tomadas pelo modelo de IA, um aspecto crucial para a confiança dos profissionais de saúde. Tradicionalmente, modelos de deep learning são vistos como “caixas pretas”, dificultando a compreensão do porquê uma determinada previsão foi feita. O FaithfulNet utiliza técnicas de IA Explicável (XAI) para revelar quais regiões do cérebro são mais relevantes para o diagnóstico, aumentando a transparência e a confiabilidade do processo. Além de diagnosticar o autismo com alta precisão (atingindo uma acurácia de 99,74% no estudo), o modelo também busca identificar áreas cerebrais relacionadas ao desempenho acadêmico de crianças, o que pode levar a planos de tratamento mais individualizados.

A metodologia empregada envolveu a análise de dados sMRI disponíveis publicamente no repositório ABIDE-II. Após o desenvolvimento do FaithfulNet, foram utilizadas técnicas como mapas de ativação baseados em gradientes e o SHAP gradient explainer para gerar explicações visuais das previsões do modelo. Essas explicações foram então integradas para criar uma representação visual mais fiel, denominada Faith_CAM. A análise da Faith_CAM permitiu identificar as regiões cerebrais com maior impacto no diagnóstico de autismo, abrindo caminho para uma compreensão mais profunda das bases neurológicas do TEA e para o desenvolvimento de intervenções mais eficazes e personalizadas.

Origem: Link