Saúde Desvendada

O Transtorno do Espectro Autista (TEA) é uma condição neurodesenvolvimental comum que afeta indivíduos de todas as idades. Um dos maiores desafios no estudo do TEA é a complexidade de seus mecanismos patológicos, o que dificulta o diagnóstico preciso, muitas vezes dependente de avaliações comportamentais e clínicas subjetivas. No entanto, recentes avanços na área da neurociência e da inteligência artificial estão abrindo novas perspectivas para a compreensão e o diagnóstico do autismo.

Uma pesquisa inovadora propõe uma abordagem utilizando redes neurais gráficas informadas por sistemas funcionais (FS-GNN). Este modelo utiliza imagens de ressonância magnética funcional (fMRI) para analisar a conectividade cerebral e identificar padrões de disfunção associados ao TEA. A premissa é que o cérebro humano é caracterizado por uma intrincada rede de conexões entre diferentes regiões, que trabalham em conjunto para executar funções específicas. O FS-GNN integra informações sobre a localização e interação funcional das regiões cerebrais, permitindo uma análise mais precisa e abrangente.

Os resultados experimentais, obtidos a partir de um extenso banco de dados chamado Autism Brain Imaging Data Exchange (ABIDE), demonstram a eficácia do FS-GNN. O modelo superou abordagens tradicionais de machine learning e redes neurais, atingindo uma acurácia de 75,02% no diagnóstico do TEA, com precisão de 73,22% e recall de 71,64%. Além disso, as disfunções cerebrais identificadas pelo modelo, tanto no nível das regiões individuais quanto no nível dos sistemas cerebrais, apresentaram alta concordância com evidências anteriores de biomarcadores do TEA derivados de fMRI. Isso sugere que o FS-GNN é capaz de descobrir padrões neurais confiáveis e interpretáveis, contribuindo para um diagnóstico mais preciso e uma compreensão mais profunda do autismo.

Origem: Link