| Processo: | 23/02616-0 |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Data de Início da vigência: | 01 de setembro de 2023 |
| Data de Término da vigência: | 31 de maio de 2025 |
| Área de conhecimento: | Interdisciplinar |
| Pesquisador responsável: | João Ricardo Sato |
| Beneficiário: | Rodrigo da Motta Cabral de Carvalho |
| Instituição Sede: | Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Santo André , SP, Brasil |
| Vinculado ao auxílio: | 21/05332-8 - Coorte de alto risco para transtornos psiquiátricos: seguimento de 10 anos, AP.TEM |
| Bolsa(s) vinculada(s): | 24/00861-0 - Melhorando a caracterização de transtornos psiquiátricos com Spatio-Temporal Graph Convolution Neural Networks usando dados de fMRI, BE.EP.MS |
| Assunto(s): | Ciência de dados Conectividade funcional Inteligência artificial Redes neurais (computação) Transtornos mentais Neuroimagem |
| Palavra(s)-Chave do Pesquisador: | Ciência de dados | conectividade funcional | Inteligência Artificial | Mri | Redes Neurais Artificiais | transtornos psiquiátricos | neuroimagem |
Resumo O período da infância e adolescência é essencial para a compreensão dos mecanismos de funcionamento do cérebro, especialmente em múltiplas condições neuropsiquiátricas. Uma vez que a maioria dos transtornos psiquiátricos começa nesta fase, em que o cérebro passa por intensas mudanças que resultam na consolidação das redes de conectividade cerebral. Em particular, o estudo da neurofisiologia durante o estado de repouso (ou seja, o estado em que o cérebro não recebe conscientemente nenhum estímulo interno ou externo) no nível macroscópico é de grande interesse, por seus padrões complexos que os componentes microscópicos não podem explicar. Diferentes técnicas podem ser empregadas para medir a função cerebral na escala macroscópica, como a ressonância magnética funcional (fMRI). Com fMRI é possível estudar a organização funcional do cérebro, o que permite a busca de biomarcadores preditivos para distúrbios do neurodesenvolvimento e neuropsiquiátricos para elucidar seus mecanismos subjacentes. Recentemente, estudos de neuroimagem têm empregado técnicas de aprendizado de máquina, que permitem inferências estatísticas de características neurofisiológicas de múltiplos distúrbios. Nesse contexto, este projeto visa usar um modelo de aprendizado de máquina de última geração chamado Graph convolutional neural networks (GCN), que opera em domínios não euclidianos para capturar padrões em grafos que modelos mais clássicos não conseguem. Assim, fornecendo uma análise em nível de rede que captura informações topológicas dentro de redes cerebrais de vários distúrbios neuropsiquiátricos. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |