Geração, discriminação e Metrificação de padrões de conectividade funcional cerebral

• Processo: 20/04119-6
• Linha de fomento: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de julho de 2020
• Vigência (Término): 30 de junho de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: João Ricardo Sato
• Beneficiário: Pedro Machado Nery dos Santos
• Instituição-sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Assunto(s): Aprendizado computacional Neurodesenvolvimento Biomarcadores Conectividade funcional Métrica Eficiência In vivo Ressonância magnética funcional Análise estatística de dados

Resumo

Grande parte dos distúrbios mentais podem ser contextualizados como um estabelecimento inadequado de conexões no cérebro humano, em especial num contexto de neurodesenvolvimento atípico. Há grande interesse na caracterização de tal atipicidade, bem como em biomarcadores e métricas que possam avaliar a progressão ou risco de tais doenças. A análise de dados de ressonância magnética funcional (fMRI) é particularmente interessante nesse cenário pela possibilidade de avaliação in vivo, permitindo acompanhar a evolução de quadros, delinear propostas de intervenção, e delimitar fatores de risco para pacientes. Este projeto busca utilizar matrizes de conectividade resultantes de uma análise por áreas de interesse em exames de fMRI para modelar o padrão de conectividade cerebral de um cérebro típico. É proposto o uso do modelo GAN (Generative Adversarial Network), capaz de reproduzir (parcela geradora) e reconhecer (parcela discriminadora) o padrão de tipicidade presente nos dados através de um processo de aprendizado de máquina adversário. A análise do modelo auxiliará a proposição de uma métrica de tipicidade posteriormente confrontada a indicadores cognitivos dos pacientes, tais como o DAWBA (Development and Well-Being Assessment) e o CBCL (Child Behavior Checklist), num processo de validação e análise estatística. Os algoritmos LIME e SHAP serão utilizados de maneira a fornecer mais informações de quais características têm maior para relevância para predições do modelo. Testes utilizando dados de indivíduos típicos e atípicos serão utilizados para análise de performance.