Saúde Desvendada

Um novo modelo de deep learning, utilizando uma técnica chamada adaptação de domínio, demonstra potencial para melhorar a precisão no diagnóstico de distúrbios do neurodesenvolvimento, como autismo e síndrome de Asperger. A pesquisa aborda um desafio significativo na análise de grandes conjuntos de dados de ressonância magnética funcional (fMRI) coletados em múltiplos centros: a variabilidade nos dados devido a diferentes equipamentos e protocolos de aquisição.

Essa variabilidade não relacionada à atividade neural pode obscurecer as diferenças cerebrais reais entre os grupos e prejudicar a eficácia de modelos de machine learning para fins de diagnóstico. A adaptação de domínio surge como uma solução promissora, transferindo o conhecimento adquirido de um conjunto de dados (o domínio de origem) para outro (o domínio de destino), minimizando as diferenças entre suas distribuições. No estudo, o modelo VAE-MMD foi treinado com dados do ABIDE-I e aplicado para classificar dados do ABIDE-II, alcançando resultados superiores àqueles obtidos usando apenas o ABIDE-II.

Além disso, a pesquisa explorou o uso de transfer learning, expandindo o domínio de origem com dados de controle saudáveis de outros bancos de dados (HBN e AOMIC). Essa abordagem aprimorou ainda mais o desempenho do modelo na classificação de dados do ABIDE-II. A comparação com métodos estatísticos de harmonização de dados, como o ComBat, revelou que a adaptação de domínio com VAE-MMD alcança desempenho comparável e que a incorporação de transfer learning com dados adicionais de controle saudáveis supera a precisão obtida apenas com métodos estatísticos. O modelo e o conjunto de dados estão disponíveis publicamente, incentivando a comunidade de neuroimagem a explorar novas melhorias utilizando a crescente quantidade de dados fMRI de controle saudáveis disponíveis.

Origem: Link