Saúde Desvendada

O diagnóstico precoce do Transtorno do Espectro Autista (TEA) pode impactar significativamente a qualidade de vida dos pacientes. No entanto, os métodos diagnósticos atuais dependem, muitas vezes, de avaliações comportamentais subjetivas. Um estudo recente explorou o uso de modelos de machine learning aplicados a dados de ressonância magnética funcional (fMRI) para identificar biomarcadores objetivos para o diagnóstico de TEA.

A pesquisa utilizou dados do Autism Brain Imaging Data Exchange I (ABIDE I), um conjunto de dados abrangente com informações de 884 participantes, incluindo indivíduos com TEA e um grupo de controle. Os pesquisadores desenvolveram um pipeline de aprendizado profundo explicável (DL) utilizando um Autoencoder Esparso Empilhado (SSAE) com um classificador softmax, treinado com dados de conectividade funcional. O modelo foi capaz de identificar regiões cerebrais críticas para a classificação do TEA com alta precisão.

Os resultados revelaram que regiões relacionadas ao processamento visual, como o sulco calcarino e o cuneus, desempenham um papel fundamental na identificação do TEA. Essa descoberta foi corroborada por estudos genéticos e de neuroimagem independentes, sugerindo que o modelo capturou marcadores neurobiológicos genuínos do TEA, em vez de se ajustar a características específicas do conjunto de dados. Embora promissores, os resultados ainda precisam ser validados em aplicações clínicas individuais para garantir sua eficácia e confiabilidade no auxílio ao diagnóstico do TEA.

Origem: Link