O aprendizado de máquina pode ajudar os médicos a diagnosticar melhor o autismo?

O transtorno do espectro do autismo (TEA) é uma condição complicada que pode ser difícil de diagnosticar, especialmente porque sua avaliação é atualmente realizada por meio de sintomas comportamentais, de acordo com um estudo publicado Journal of Neuroscience Métodos . É por isso que identificar um biomarcador de neuroimagem na ressonância magnética do cérebro pode melhorar o diagnóstico de transtorno do espectro do autismo - e incorporar o aprendizado de máquina à mistura pode tornar a imagem ainda mais eficaz, escreveu uma equipe liderada por Ming Xu, PhD, da Academia Chinesa de Ciências em Pequim.

"[MRI's] técnicas de imagem não invasivas são ferramentas promissoras para investigar as bases neurológicas do transtorno do espectro do autismo, que são essenciais para o desenvolvimento de biomarcadores discriminativos de neuroimagem para o diagnóstico clínico", escreveu o grupo. "Nos últimos anos, várias abordagens de aprendizado de máquina foram aplicadas em classificações ASD ... [essas] abordagens podem extrair mais recursos informativos de uma maneira orientada por dados e facilitar a exploração de padrões de imagem anormais mais complexos para diagnóstico em nível individual."

O transtorno do espectro do autismo tende a aparecer na primeira infância e sua causa permanece obscura, observou o grupo. A condição pode ser bastante onerosa tanto para seus portadores quanto para suas famílias, tornando importante o diagnóstico preciso.

Para aumentar a contribuição da ressonância magnética para a avaliação de crianças autistas, os pesquisadores começaram a explorar o uso do aprendizado de máquina com a modalidade ( J Neurosci Methods , 1 de setembro de 2021, Volume 361, artigo 109271). O grupo de Xu revisou 119 estudos dos últimos 10 anos que descrevem os métodos atuais de classificação de ASD usando aprendizado de máquina em uma variedade de técnicas de ressonância magnética, incluindo ressonância magnética funcional, protocolos de imagem ponderados em T1 e tensor de difusão. As abordagens de aprendizado de máquina incluem extração de recursos, treinamento de modelo, teste de modelo e avaliação de desempenho.

A revisão da literatura encontrou uma faixa de precisão para classificar ASD de 60% a 98% em uma variedade de técnicas de ressonância magnética e abordagens de aprendizado de máquina.

A busca por um biomarcador de imagem para diagnosticar o transtorno do espectro do autismo ainda não foi cumprida, mas usar o aprendizado de máquina com imagem mostra potencial para chegar lá, de acordo com Xu e colegas.

"Mesmo que este campo ainda esteja longe do uso clínico, acreditamos que com o desenvolvimento de novas ferramentas matemáticas poderosas e uma cooperação interdisciplinar mais próxima, o diagnóstico por imagem de TEA é promissor e eventualmente será alcançado", concluíram.

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=133415