Saúde Desvendada

O Transtorno do Espectro Autista (TEA) é uma condição complexa que afeta o desenvolvimento neurológico, impactando a comunicação, o comportamento e a interação social. O diagnóstico precoce e preciso é crucial para que intervenções terapêuticas eficazes possam ser implementadas, melhorando a qualidade de vida das pessoas com TEA e suas famílias.

Pesquisadores têm explorado o uso de machine learning (aprendizado de máquina) e técnicas de análise de imagens cerebrais, como a ressonância magnética funcional em estado de repouso (rs-fMRI), para auxiliar no diagnóstico do TEA. Essas ferramentas de inteligência artificial são capazes de identificar padrões sutis na atividade cerebral que podem ser difíceis de detectar por métodos tradicionais. No entanto, a qualidade dos resultados obtidos depende fortemente do pré-processamento dos dados de rs-fMRI.

Um estudo recente investigou o impacto de diferentes estratégias de pré-processamento de rs-fMRI no desempenho de modelos de machine learning para diagnóstico de TEA. Os resultados mostraram que a escolha dos métodos de pré-processamento afeta significativamente a precisão dos modelos, com algumas configurações alcançando até 95,83% de acerto. Contudo, a capacidade de generalização desses modelos para outros conjuntos de dados ainda representa um desafio. A pesquisa enfatiza a importância de desenvolver abordagens de pré-processamento adaptativas e considerar a diversidade dos dados para melhorar a confiabilidade da classificação do TEA, indicando que a aplicação cuidadosa dessas tecnologias pode trazer avanços importantes no diagnóstico e tratamento do autismo.

Origem: Link