Identificação de regiões do cérebro para classificação de severidade do TEA utilizando Machine Learning e fMRI

• Autor(a) principal: RODRIGUES, Igor Duarte
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFEI (RIUNIFEI)
• Texto Completo: https://repositorio.unifei.edu.br/jspui/handle/123456789/2350
• topic: CNPQ::CIÊNCIAS EXATAS E DA TERRA::CIÊNCIA DA COMPUTAÇÃO; ABIDE; Transtorno do espectro autista; Classificação de severidade do transtorno do espectro autista; fMRI; Machine Learning

O Transtorno do Espectro Autista (TEA) é uma condição neurológica vitalícia relacionada à idade e ao sexo, caracterizada principalmente por disparidades sociais. A prevalência atual do TEA indica que uma em cada 59 crianças estão dentro do espectro. O Autism Diagnostic Observation Schedule, Second Edition (ADOS-2) é um processo de diagnóstico que classifica o TEA de acordo com a gravidade do transtorno. ADOS-2 classifica sintomas mais graves como casos de “autismo” e os que manifestam sintomas mais leves como casos de “TEA não autista” (TEA-NA). Muitos artigos objetivam criar algoritmos para diagnosticar TEA por meio de aprendizado de máquina (do inglês Machine Learning - ML) e imagens de ressonância magnética funcional (do Inglês Functional Magnetic Resonance Imaging - fMRI). Essas abordagens avaliam o fluxo de oxigênio no cérebro para classificar os indivíduos como TEA ou com desenvolvimento típico. No entanto, em geral, esses trabalhos não fornecem informações sobre a gravidade do transtorno. Esse trabalho tem como objetivo a identificação de regiões do cérebro com diferença funcional entre indivíduos TEA-NA e autistas, como possível biomarcador para a severidade das características TEA. Para isso, o trabalho utilizou dados de fMRI de 202 indivíduos, e suas respectivas pontuações ADOS-2 disponíveis no consórcio ABIDE para determinar a subclasse de TEA correta para cada um. Esses dados foram utilizados para alimentar um algoritmo de ML, de aprendizado supervisionado, o Support Vector Machine (SVC), de forma a selecionar as regiões com maior diferença funcional para os indivíduos da amostra. Os resultados corroboram a hipótese inicial de diferenças funcionais entre as subclasses de TEA, com algumas regiões do cérebro onde a diferença funcional foi suficiente para criar 74% de precisão na classificação. Este trabalho apresenta limitações quanto ao número total de amostras. No entanto, a abordagem mostra-se promissora para o diagnóstico de severidade do TEA.