Saúde Desvendada

O Transtorno do Espectro Autista (TEA) é uma condição complexa do neurodesenvolvimento, caracterizada por desafios na interação social, comunicação e padrões de comportamento restritos ou repetitivos. A prevalência global do TEA tem aumentado, tornando crucial o desenvolvimento de métodos de diagnóstico mais precisos e objetivos. Atualmente, o diagnóstico do TEA depende principalmente de avaliações comportamentais subjetivas, o que pode levar a atrasos no diagnóstico e intervenção.

Uma pesquisa recente explorou o uso de técnicas avançadas de neuroimagem, combinadas com a teoria dos grafos e algoritmos de aprendizado de máquina, para criar um modelo de classificação diagnóstica para o TEA. O estudo utilizou dados de imagem de tensor de difusão (DTI) de indivíduos com TEA e participantes com desenvolvimento típico, obtidos do banco de dados Autism Brain Imaging Data Exchange-II (ABIDE-II). Os dados foram processados e parâmetros derivados de DTI foram extraídos de várias regiões da substância branca do cérebro. Uma matriz de correlação estrutural foi construída usando o método de correlação de Pearson. A partir dessa matriz, grafos foram gerados para modelar a organização cerebral, representando as regiões como nós e suas correlações estruturais como arestas.

Seis métricas de grafo foram calculadas, incluindo centralidade de intermediação, centralidade de proximidade, coeficiente de agrupamento, centralidade de grau, coeficiente de participação e força da rede do grafo, resultando em um total de 300 características por indivíduo. Os modelos de classificação diagnóstica foram construídos usando regressão logística e máquinas de vetores de suporte (SVM). Os resultados revelaram que o SVM produziu a maior precisão de classificação de 82,34% com 225 características teóricas de grafo. As três principais características distintivas para a classificação do TEA foram a força do cíngulo esquerdo, a centralidade de proximidade da corona radiata anterior esquerda e a centralidade de intermediação do joelho do corpo caloso. Este estudo demonstra o potencial das métricas teóricas de grafo baseadas em DTI, combinadas com classificadores de aprendizado de máquina, para diferenciar indivíduos com TEA de indivíduos com desenvolvimento típico, contribuindo para o desenvolvimento de ferramentas de diagnóstico mais objetivas para o TEA. A identificação precoce do TEA permite intervenções mais eficazes, melhorando a qualidade de vida das pessoas afetadas e suas famílias.

Origem: Link