Classificação de imagens cerebrais obtidas por ressonância magnética estrutural para o diagnóstico de autismo

Abstract

O Transtorno do Espectro Autista (TEA) é uma condição do neurodesenvolvimento que afeta a comunicação, a interação social e o comportamento. O diagnóstico precoce e preciso é fundamental para intervenções eficazes, mas ainda enfrenta muitos desafios. Os métodos tradicionais de diagnóstico dependem da observação clínica e de questionários, o que pode tornar o processo subjetivo e demorado. O uso de imagens cerebrais tem sido estudado como uma alternativa para aumentar a precisão do diagnóstico, mas ainda há dificuldades. Embora as técnicas de neuroimagem sejam ferramentas auxiliares no diagnóstico, a interpretação dessas imagens ainda é complexa devido à variabilidade das características cerebrais entre indivíduos com TEA, à falta de padrões bem definidos e à subjetividade na análise dos resultados. Diante disso, este estudo investiga duas possibilidades: (I) imagens cerebrais podem tornar o diagnóstico automático do TEA mais preciso na infância do que em outras faixas etárias; e (II) os resultados das análises dessas imagens variam conforme o eixo anatômico cerebral analisado. Assim, o objetivo deste trabalho é avaliar o uso de imagens cerebrais na detecção do TEA em diferentes faixas etárias e analisar a influência dos eixos anatômicos - Sagital, Coronal e Axial - na classificação, utilizando Redes Neurais Convolucionais como ferramenta para auxiliar o diagnóstico. Para isso, foram utilizadas imagens de Ressonância Magnética (MRI) do cérebro disponíveis no repositório ABIDE II, composto por 1.114 indivíduos, sendo 521 diagnosticados com Autismo e 593 com Desenvolvimento Típico. Os melhores resultados foram obtidos a partir dos dados de adultos (26+ anos), no qual o modelo de classificação alcançou 85% de acurácia e 81,9% de F1-Score. Além disso, observou-se que o plano anatômico Coronal apresentou os melhores resultados para classificação do TEA. Esses resultados corroboram com a literatura e contribuem para avanços em busca de diagnósticos mais precisos e confiáveis, fortalecendo a aplicação das Redes Neurais Convolucionais no campo da neurociência e saúde.