Abordagem de auxílio diagnóstico para o Transtorno do Espectro Autista: integração de características semânticas em modelos de atenção visual

• Autor(a) principal: Franco, Felipe de Oliveira
• Data de Publicação: 2024
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/95/95131/tde-23022024-101642/
• topic: Atenção visual; Autism Spectrum Disorder; Características semânticas; Classificador; Classifier; Mapa de saliência; Saliency map; Semantic features; Transtorno do Espectro Autista; Visual attention

Estima-se que 1% da população mundial se enquadre no Transtorno do Espectro Autista (TEA), o qual é caracterizado por alterações na comunicação social e presença de comportamentos estereotipados e repetitivos. Estudos sugerem a presença de alterações na conectividade cerebral no TEA, com um processamento atípico de informações sociais, relacionadas aos mecanismos bottom-up e top-down. Diversos classificadores para auxílio diagnóstico do TEA vêm sendo propostos a partir de dados de rastreamento do olhar. No entanto, a maioria dos trabalhos baseia-se em dados como duração e contagem das fixações do olhar. Outros estudos combinam dados de rastreamento do olhar e características extraídas da imagem para criar Modelos de Atenção Visual (MAVs) e mapas de saliência. Recentemente, nosso grupo propôs uma abordagem baseada em mapas de saliência para o auxílio diagnóstico do TEA. Considerando que alterações da conectividade top-down estão presentes no TEA, nossa hipótese é que um maior número de características semânticas nestes MAVs pode melhorar o desempenho destes classificadores. Portanto, o objetivo deste estudo é desenvolver classificadores para o auxílio diagnóstico do TEA, baseado em MAVs considerando diferentes níveis de características em mapas de saliência, com enfoque na integração de características semânticas. Para atingir os objetivos, o primeiro passo foi replicar o estudo anterior do grupo com uma nova amostra e novo estímulo visual pautado no mesmo paradigma de atenção visual. A replicação ocorreu de maneira satisfatória, sugerindo a robustez da abordagem prévia e a viabilidade das abordagens baseadas em MAVs para auxiliar no diagnóstico de TEA. No entanto, a troca de estímulo visual e amostras causaram diminuição no desempenho dos classificadores. Após a replicação, outros algoritmos indutores de classificação foram testados e o algoritmo Random Forest apresentou melhores desempenhos em todos os cenários, com a vantagem adicional de permitir a comparação de importância atribuída a cada uma das características consideradas. Foi realizada uma revisão da literatura para avaliar a viabilidade de inclusão de mais características semânticas e então, procedemos com a extração das novas características. A comparação de importância das características contribuiu na interpretabilidade dos classificadores, nesse sentido verificamos que: 1 - características semânticas apresentaram importância relativa menor que as demais, porém com maior importância para indivíduos com desenvolvimento típico; 2 - a característica Pessoa foi a que mais divergiu entre os grupos, sendo menos importante no TEA; 3 - as características centro da tela e centro das cenas foram as mais importantes e a exclusão delas impactou negativamente na classificação. De maneira geral, a inclusão de características semânticas não melhorou o desempenho de classificação. Porém, ao segmentar o dataset excluindo indivíduos mais novos, observou-se que o desempenho melhorou. Algumas limitações são discutidas e estudos adicionais são incentivados para testar outras condições e cenários.