Melhorando a caracterização de transtornos psiquiátricos com Spatio-Temporal Graph Convolution Neural Networks usando dados de fMRI

Resumo

O período da infância e da adolescência é essencial para a compreensão dos mecanismos de funcionamento cerebral, especialmente em múltiplas condições neuropsiquiátricas. Uma vez que a maioria dos transtornos psiquiátricos se inicia nesta fase, onde 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 qualquer estimulação interna ou externa) a nível macroscópico é de grande interesse, dados os seus padrões complexos que os componentes microscópicos não conseguem explicar. Diferentes técnicas podem ser empregadas para medir a função cerebral em escala macroscópica, como a ressonância magnética funcional (fMRI). Com a ressonância magnética funcional, 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 utilizar um modelo de aprendizado de máquina de última geração denominado Redes Neurais Convolucionais de Grafos Espaço-Temporais (ST-GCN), que opera em um domínio não euclidiano para capturar padrões em grafos que mais os modelos clássicos não podem. Fornecendo uma análise em nível de rede que captura informações espaço-temporais dentro da conectividade funcional dinâmica do cérebro de vários distúrbios neuropsiquiátricos.