EEG-based Schizophrenia Detection Using Spectral, Entropy, and Graph Connectivity Features with Machine Learning

Este estudo demonstra que a combinação de características espectrais, de entropia e de conectividade gráfica em sinais de EEG, analisadas por meio de algoritmos de aprendizado de máquina como a Floresta Aleatória, permite a detecção precisa de esquizofrenia, embora os resultados preliminares exijam validação em coortes maiores antes da aplicação clínica.

O essencial

Imagine que o cérebro é como uma orquestra gigante. Em uma pessoa saudável, os músicos (as células nervosas) tocam juntos de forma harmoniosa, seguindo a partitura certa, com o ritmo certo e ouvindo uns aos outros perfeitamente.

A esquizofrenia, segundo este estudo, é como se essa orquestra começasse a tocar de um jeito estranho: alguns músicos tocam muito alto e fora de tempo, outros ficam em silêncio, e a conexão entre os diferentes grupos de instrumentos (violinos, metais, percussão) fica quebrada. O resultado é um som confuso, caótico e difícil de entender.

O problema é que, até hoje, os médicos diagnosticam essa "confusão musical" apenas ouvindo o paciente descrever como se sente (como se o maestro tentasse adivinhar o problema apenas olhando para a plateia). Isso é difícil e pode levar a erros.

O que os pesquisadores fizeram?

Os autores deste estudo, da Universidade de Teerã, decidiram criar um "ouvido eletrônico" muito avançado para escutar a orquestra do cérebro diretamente. Eles usaram um capacete com sensores (chamado EEG) que grava os sinais elétricos do cérebro, como se fosse um microfone captando cada nota tocada.

Eles não ouviram apenas uma coisa; eles analisaram o cérebro de três formas diferentes, como se fossem três tipos de críticos de música:

1. O Analista de Frequência (Energia): Eles olharam para quais "notas" (frequências de ondas cerebrais) estavam tocando mais alto ou mais baixo.

   • O que acharam: Nos pacientes, as "notas graves" (ondas lentas) estavam muito altas e barulhentas, enquanto as "notas agudas" (ondas rápidas e complexas) estavam quase silenciosas. É como se a orquestra estivesse tocando apenas tambores lentos e esquecendo as flautas rápidas.

2. O Analista de Caos (Entropia): Eles mediram o quanto a música era "imprevisível" ou "bagunçada".

   • O que acharam: O cérebro dos pacientes era muito mais caótico e irregular do que o de pessoas saudáveis. A música não tinha um padrão claro; era como se os músicos estivessem improvisando sem nenhuma regra, criando um som instável. Eles usaram uma técnica nova (chamada Entropia Permutacional Multiescala) que é como ouvir a música em diferentes velocidades ao mesmo tempo para ver onde está o caos.

3. O Analista de Conexão (Rede): Eles verificaram se os músicos estavam se ouvindo e conversando entre si.

   • O que acharam: A conexão estava quebrada. Em um cérebro saudável, os músicos de diferentes seções conversam rapidamente e eficientemente. Nos pacientes, a "conversa" era lenta, as mensagens demoravam para chegar e os grupos de músicos não se organizavam bem. A "orquestra" estava desintegrada.

A Inteligência Artificial como Maestro

Depois de coletar todos esses dados, os pesquisadores usaram Inteligência Artificial (como um maestro robótico superinteligente) para tentar identificar quem era o paciente e quem era saudável, apenas olhando para esses sinais.

Eles testaram três tipos de "maestros robóticos":

• Um que aprende com árvores de decisão (Random Forest).
• Um que desenha linhas separadoras (SVM).
• Uma rede neural (MLP).

O resultado foi impressionante: O "maestro robótico" (especificamente o Random Forest) acertou 99,7% das vezes! Ele conseguiu distinguir perfeitamente a orquestra desorganizada da orquestra saudável, mesmo quando testado em pessoas que ele nunca tinha visto antes.

O que isso significa para o futuro?

Este estudo é como um protótipo de um detector de mentiras para o cérebro, mas em vez de mentiras, ele detecta esquizofrenia.

• A Grande Vantagem: É rápido, não dói, é barato e pode ser feito em qualquer lugar, ao contrário de exames de ressonância magnética caros.
• O Alerta: O estudo foi feito com um grupo pequeno (apenas 28 pessoas). É como testar um novo carro em apenas uma pista curta. Para que isso vire um exame médico real que todo mundo possa usar, eles precisam testar em milhares de pessoas de diferentes lugares e culturas para garantir que o "maestro robótico" não cometa erros.

Em resumo: Os pesquisadores criaram uma nova maneira de "ouvir" o cérebro, mostrando que a esquizofrenia deixa uma "pegada digital" clara nas ondas cerebrais. Com a ajuda da inteligência artificial, podemos um dia ter um exame simples que ajude os médicos a diagnosticar a doença mais cedo e com mais precisão, ajudando os pacientes a começarem o tratamento certo antes que a "orquestra" fique completamente fora de tom.

Resumo técnico

1. O Problema

O transtorno esquizofrênico é uma condição psiquiátrica grave que afeta o pensamento, a percepção e o comportamento, com uma prevalência global de cerca de 1%. O diagnóstico atual depende quase exclusivamente de avaliações clínicas subjetivas (como entrevistas baseadas no DSM-5 ou ICD-10), o que frequentemente leva a diagnósticos tardios ou errôneos, especialmente devido à sobreposição de sintomas com transtorno bipolar e depressão maior. A falta de biomarcadores biológicos confiáveis e a heterogeneidade dos casos tornam urgente a busca por métodos objetivos, automatizados e baseados em dados cerebrais para auxiliar os clínicos.

2. Metodologia

O estudo propõe uma estrutura de análise integrada de EEG (Eletroencefalografia) que combina três domínios de características para distinguir pacientes com esquizofrenia (SZ) de controles saudáveis (HC).

• Conjunto de Dados:

  • Amostra: 28 participantes (14 pacientes com esquizofrenia e 14 controles saudáveis), recrutados no Centro de Neurociência Clínica Atieh (Irã).
  • Dados: Gravações de EEG em repouso (olhos fechados) de 5 a 7 minutos, utilizando 19 eletrodos (sistema 10-20) a 500 Hz.
  • Pré-processamento: Filtragem passa-banda (1-45 Hz), re-referenciamento à média, remoção de artefatos (ocular, cardíaco e muscular) via ICA e rejeição de épocas com amplitude excessiva. Os sinais foram segmentados em janelas de 2 segundos com 50% de sobreposição.

• Extração de Recursos (Três Domínios):

  1. Potência Espectral: Cálculo da densidade espectral de potência (PSD) nas bandas de frequência Delta (1-4 Hz), Theta (4-7 Hz), Alpha (8-12 Hz), Beta (13-30 Hz) e Gamma (30-45 Hz).
  2. Entropia Multiescala (MPE): Uso da Entropia de Permutação Multiescala (Multiscale Permutation Entropy - MPE) para quantificar a irregularidade temporal e a complexidade dinâmica do sinal em seis escalas temporais diferentes. Nota: Este é o primeiro estudo, segundo os autores, a aplicar MPE em dados de EEG para esquizofrenia.
  3. Conectividade Funcional e Métricas de Grafos:
     • Cálculo do Índice de Fase Ponderado (wPLI) nas bandas Theta, Alpha e Beta para estimar a conectividade funcional, minimizando o efeito de condução de volume.
     • Extração de métricas de teoria dos grafos a partir das matrizes de conectividade: Eficiência Global, Coeficiente de Agrupamento (Clustering Coefficient), Comprimento de Caminho Característico e Força Média.

• Classificação e Validação:

  • Algoritmos: Random Forest (RF), Máquina de Vetores de Suporte (SVM) e Perceptron de Multicamadas (MLP).
  • Validação: Dois esquemas rigorosos foram utilizados para evitar vazamento de dados:
    1. Validação Cruzada K-fold Estratificada (5-fold) no nível do sujeito.
    2. Validação "Leave-One-Subject-Out" (LOSO), onde o modelo é treinado em todos os sujeitos menos um, testando a generalização para indivíduos totalmente não vistos.

3. Principais Contribuições

1. Abordagem Integrada: Diferente de estudos anteriores que analisam espectro, complexidade ou conectividade isoladamente, este trabalho unifica os três domínios em um único framework.
2. Inovação na Entropia: A aplicação pioneira da Entropia de Permutação Multiescala (MPE) em EEG para esquizofrenia, capturando dinâmicas temporais em múltiplas resoluções que medidas de escala única podem perder.
3. Análise de Importância de Recursos: Uso do modelo Random Forest não apenas para classificação, mas para identificar quais assinaturas neurais são mais discriminativas, fornecendo insights interpretáveis sobre a fisiopatologia da doença.
4. Validação Rigorosa: A combinação de validação cruzada estratificada e LOSO oferece uma estimativa realista da capacidade de generalização do modelo em cenários clínicos.

4. Resultados

• Desempenho de Classificação:
  • O Random Forest (RF) obteve o melhor desempenho, alcançando 99,7% de precisão na validação 5-fold e 99,6% na validação LOSO (AUC = 1,000).
  • O MLP e o SVM também apresentaram resultados robustos, mas com ligeira queda de performance no esquema LOSO, indicando que o RF é mais generalizável para dados de EEG ruidosos e de alta dimensão.
• Análise de Recursos (O que diferencia os grupos):
  • Conectividade: A conectividade nas bandas Theta e Alpha foi a principal contribuinte para a classificação.
  • Entropia: Pacientes com esquizofrenia apresentaram maior entropia (MPE) em todas as escalas, especialmente nas regiões frontais, indicando uma organização temporal mais irregular e imprevisível da atividade cerebral.
  • Potência Espectral: Confirmou-se o padrão clássico de aumento de potência em baixas frequências (Delta e Theta) e redução em altas frequências (Alpha, Beta e Gamma).
  • Métricas de Grafos: Os pacientes exibiram menor eficiência global, menor coeficiente de agrupamento e maior comprimento de caminho, sugerindo uma reorganização das redes cerebrais para uma estrutura mais aleatória e menos otimizada (perda do padrão "small-world").

5. Significado e Conclusão

O estudo demonstra que a combinação de características espectrais, de complexidade (entropia) e de conectividade (grafos) oferece um framework altamente promissor para a detecção automatizada de esquizofrenia via EEG. A alta precisão do modelo Random Forest, validada em sujeitos não vistos, sugere que essas assinaturas neurais são robustas.

Limitações e Futuro:
Os autores reconhecem que o tamanho da amostra é pequeno (N=28) e os dados são de um único centro, o que torna os resultados preliminares. A tradução clínica exigirá validação em coortes maiores, mais diversas e multicêntricas. O trabalho futuro visa expandir para dados de tarefas cognitivas, comparar com outros transtornos (como bipolaridade) e desenvolver modelos mais profundos para uso clínico real.

Em suma, este trabalho avança a busca por biomarcadores objetivos para a esquizofrenia, propondo uma ferramenta auxiliar de diagnóstico que é não invasiva, de baixo custo e baseada em inteligência artificial.