Saúde Desvendada

Um novo estudo aponta para avanços promissores no diagnóstico do Transtorno do Espectro Autista (TEA) através da utilização de eletroencefalograma (EEG) e inteligência artificial. Pesquisadores desenvolveram uma rede neural convolucional leve, baseada em atenção espaço-temporal (LSTA-CNN), projetada para analisar gravações de EEG e identificar padrões associados ao TEA. Esta abordagem inovadora busca oferecer um método de diagnóstico mais acessível e eficiente, especialmente em comparação com outros métodos mais dispendiosos e demorados.

O eletroencefalograma (EEG) se destaca como uma ferramenta de avaliação eficaz e de baixo custo para auxiliar na identificação de transtornos do espectro autista. A técnica mede a atividade elétrica do cérebro por meio de eletrodos fixados no couro cabeludo. A análise tradicional de EEG pode ser desafiadora e demorada, mas a aplicação de técnicas de deep learning tem demonstrado grande potencial na extração de características relevantes e sutis que podem indicar a presença do TEA.

A LSTA-CNN utiliza camadas de convolução espaço-temporal multi-escala para aprender representações diversificadas dos domínios temporal e espacial do EEG. Além disso, um novo mecanismo de atenção espaço-temporal é empregado para integrar características desses domínios, permitindo que o modelo extraia de forma mais eficaz as características indicativas de TEA. Os resultados preliminares, obtidos a partir de um conjunto de dados de EEG coletado de crianças com e sem autismo, mostram que a LSTA-CNN supera outros modelos de deep learning em termos de desempenho de classificação. A arquitetura leve do modelo também sugere um grande potencial para aplicações práticas devido ao seu menor número de parâmetros e tempo de inferência reduzido. Este avanço representa um passo importante no desenvolvimento de ferramentas de diagnóstico mais acessíveis e precisas para o TEA.

Origem: Link