Redes Neurais para Grafos aplicadas a classificação de sintomas de autismo em dados de fMRI

Resumo

A ciência tem buscado ferramentas que possam auxiliar no diagnóstico precoce de doenças, em especial transtornos do desenvolvimento infantil. O estudo e diagnóstico de transtornos psiquiátricos se beneficiam de ferramentas como a ressonância magnética funcional (fMRI), que possibilita capturar a ativação cerebral por meio do contraste BOLD. No entanto, esses dados são complexos e ferramentas de aprendizado de máquina, em especial de aprendizado profundo, podem ser úteis para auxiliar esses estudos. Dentre os métodos, destacamos as Redes Neurais para Grafos (GNNs) que possibilitam a manipulação de dados complexos, como imagens do cérebro, representados como grafos. A proposta deste projeto de mestrado é estudar diferentes modelos de GNNs para o estudo de fMRIs. Primeiro aplicaremos os métodos estudados para classificar fMRIs com base nas atividades realizadas pelos indivíduos no momento da coleta. Depois, aplicaremos os mesmos métodos na classificação de indivíduos neurotípicos (NT) e com transtorno do espectro autista (TEA). Por fim, vamos propor uma abordagem interpretável de classificação de sintomas de autismo de forma a identificar quais áreas do cérebro têm ativação diferenciada na ocorrência de cada sintoma. Esse enfoque na interpretabilidade é uma característica fundamental para a aplicação futura na área médica, pois garante maior confiança nos resultados e facilita o entendimento dos profissionais sobre o resultado gerado pela rede. Este projeto está associado ao projeto internacional 1kD, em que 10 universidades do mundo acompanharão os primeiro 1000 dias de vida de 1000 crianças em diferentes países.