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

• Processo: 24/03245-9
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 29 de julho de 2024
• Data de Término da vigência: 28 de janeiro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Ana Letícia Garcez Vicente
• Supervisor: Leila Wehbe
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Carnegie Mellon University (CMU), Estados Unidos
• Vinculado à bolsa: 23/06737-7 - Redes Neurais para Grafos aplicadas a classificação de sintomas de autismo em dados de fMRI, BP.MS
• Assunto(s): Transtorno autístico Aprendizagem profunda Imagem por ressonância magnética funcional
• Palavra(s)-Chave do Pesquisador: autism | Deep Learning | fMRI | Gnn | Inteligência Artificial, Aprendizagem de Máquina

Resumo

A ciência tem buscado ativamente ferramentas para auxiliar no diagnóstico precoce de doenças, incluindo transtornos psiquiátricos. A ressonância magnética funcional (fMRI) surgiu como uma ferramenta valiosa para estudar e diagnosticar esses transtornos, permitindo a observação da ativação cerebral por meio do sinal BOLD. No entanto, os dados de fMRI são inerentemente complexos, e o aproveitamento de técnicas de aprendizado de máquina, especialmente o aprendizado profundo, tem o potencial de facilitar esses estudos. Entre essas técnicas, as Redes Neurais Gráficas (GNNs) se destacam por sua capacidade de lidar com estruturas de dados complexas, como imagens cerebrais, tratando o cérebro como um grafo, com regiões como nós e arestas representando conexões entre regiões. O objetivo deste projeto de mestrado é investigar diversos modelos GNN para classificar fMRIs. Inicialmente, pré-processamos um conjunto de dados contendo informações de indivíduos saudáveis e indivíduos com transtorno do espectro do autismo, transformando os dados de fMRI em representações de grafo. O principal objetivo deste projeto é explorar e desenvolver diferentes arquiteturas de GNN para classificar indivíduos neurotípicos e aqueles com autismo. Além disso, temos o objetivo de utilizar o modelo GNN para identificar a gravidade dos sintomas relacionados ao autismo usando categorizações de questionários psicométricos, como o questionário Escala de Responsividade Social, como rótulos de classe. Esta pesquisa busca contribuir para o avanço das metodologias de diagnóstico para transtornos psiquiátricos, especialmente no campo do transtorno do espectro do autismo, por meio da integração de técnicas avançadas de aprendizado de máquina com dados de neuroimagem.