Explicabilidade em Redes Neurais de Grafos para a Avaliação de Autismo Usando Análise de fMRI

• Processo: 24/09181-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 30 de setembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Matheo Angelo Pereira Dantas
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC)
• Vinculado ao auxílio: 20/09835-1 - IARA - Inteligência Artificial Recriando Ambientes, AP.PCPE
• Assunto(s): Aprendizagem profunda Transtorno autístico Imagem por ressonância magnética funcional Inteligência artificial Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | autismo | fMRI | Gnn | Inteligência Artificial | interpretabilidade | Aprendizado de máquina

Resumo

O diagnóstico de autismo é feito apenas a partir da análise clínica, que é frequentemente inacessível. O uso da IA poderia ajudar médicos a aprimorar o diagnóstico com dados biológicos, como a Imagem por Ressônancia Magnética Funcional (fMRI). Contudo, dados com essa complexidade dependem do uso de modelos igualmente complexos, que não são interpretáveis e, portanto, são menos confiáveis. Portanto, é importante usar as técnicas da Inteligência Artificial Explicável para entender o raciocínio por trás das decisões dos modelos. Nesse contexo, nós propomos a condução de uma investigação dessas técnicas. O principal objetivo do projeto é estudar métodos de explicabilidade aplicáveis às Redes Neurais de Grafos, que são arquiteturas de aprendizado de máquina designadas para operar em grafos, visando observar os padrões neurológicos de diferentes sinais de autismo. Para esse propósito, nós propomos testas os algoritmos de explicabilidade disponíveis atualmente para GNNs nos nossos dados e fazer uma análise comparativa, usando diferentes medidas de performance de explicabilidade.