Machine learning permite diagnosticar déficit de atenção a partir de dados de ressonância do cérebro

Uma das formas de demonstrar o funcionamento do cérebro é como um conjunto complexo de redes elétricas informacionais. Essas redes têm padrões de conexão intrincado, tanto dentro de si mesmas como entre si. A técnica de imagem por ressonância magnética funcional (fMRI, functional magnetic resonance imaging) permite inferir atividade cerebral através de mudanças no fluxo de sangue, o que por sua vez permite construir um mapa das conexões entre as redes cerebrais. Esse mapa recebe o nome de conectoma (cuja representação gráfica ilustra este artigo), e sua configuração pode indicar o estado saudável de funcionamento do cérebro, assim como condições que são consideradas anormais.

Uma equipe de pesquisadores da Universidade de Cincinnati, nos Estados Unidos, acaba de publicar um trabalho apresentando um algoritmo de machine learning que é capaz de identificar a síndrome conhecida como desordem de déficit de atenção hiperativa, ou ADHD (attention deficit hyperactivity disorder), a partir de imagens do cérebro obtidas por fMRI. Os dados fornecidos por fMRI podem ser processados em diferentes escalas, permitindo insights variados tanto anatômicos como funcionais, e cada um desses tratamentos é chamado de parcelamento. Enquanto que trabalhos anteriores para o diagnóstico de ADHD por fMRI usaram um único parcelamento, no presente estudo foram usados múltiplos parcelamentos, o que possibilitou um método mais robusto. Os pesquisadores usaram um dataset já consolidado, chamado de NeuroBureau ADHD-200, que contém os dados de conectomas de 973 pessoas. O modelo desenvolvido atingiu AUC de 0,82 por validação cruzada e 0,74 no dataset de validação, performando melhor que os métodos baseados em parcelamento único, e tão bem quanto os diagnósticos clínicos.

No caso específico, este estudo, publicado no último dia 11, é bem-vindo porque não há ainda um teste único para diagnosticar ADHD com precisão, de forma que o diagnóstico depende da presença concomitante de vários sintomas e de testes comportamentais, o que leva tempo e adia as intervenções necessárias em casos positivos. As principais consequências de ADHD não tratada são má desempenho acadêmico e social.

Mas além do poder diagnóstico para ADHD, o modelo demonstra a capacidade das técnicas de machine learning para fornecer informações úteis sobre o funcionamento do cérebro a partir do processamento de dados complexos como os disponibilizados por fMRI. A expectativa é de que a abordagem logo seja usada para detectar outros problemas neurológicos. E, quem sabe, ainda nos trazer informações inéditas sobre a natureza do fenômeno que chamamos de mente.