Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
Este estudo demonstra que um modelo de aprendizado profundo híbrido CNN–LSTM supera significativamente uma CNN isolada na detecção de esquizofrenia a partir de sinais de EEG em estado de repouso, alcançando 92,03% de acurácia e destacando o valor da integração do aprendizado de sequências temporais para o diagnóstico objetivo.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O cérebro humano é uma vasta e vibrante rede de atividade elétrica, mudando constantemente à medida que pensamos, sentimos e percebemos o mundo. Durante décadas, os cientistas tentaram ouvir esse zumbido para entender o que dá errado quando os transtornos de saúde mental atacam. Um desses transtornos, a esquizofrenia, é uma condição grave que altera a forma como uma pessoa vê a realidade, levando frequentemente a alucinações ou ao pensamento confuso. Atualmente, os médicos diagnosticam essa doença principalmente ouvindo os pacientes descreverem suas experiências e observando seu comportamento, um processo que depende fortemente do julgamento humano e que pode, por vezes, perder os sinais iniciais de problemas. Para encontrar uma maneira mais objetiva de detectar a doença precocemente, os pesquisadores voltaram-se para a eletroencefalografia, ou EEG. Esta técnica envolve a colocação de pequenos sensores no couro cabeludo para registrar os sinais elétricos do cérebro. Ao contrário dos exames caros que tiram fotos da estrutura cerebral, o EEG captura os ritmos rápidos e dinâmicos do cérebro em tempo real, oferecendo uma janela para as tempestades elétricas que podem caracterizar a esquizofrenia.
Num estudo recente, investigadores da Universiti Teknologi Malaysia propuseram-se a ver se conseguiam ensinar um computador a reconhecer estes padrões elétricos automaticamente. Trabalharam com uma coleção de registos de ondas cerebrais de 81 pessoas: 49 que tinham sido diagnosticadas com esquizofrenia e 32 que eram saudáveis. A equipa queria testar dois tipos diferentes de programas de computador, conhecidos como modelos de aprendizagem profunda (deep learning), para ver qual deles conseguia distinguir melhor os dois grupos. O primeiro modelo foi desenhado para procurar formas e padrões específicos nas ondas cerebrais, tal como uma câmara identifica arestas numa fotografia. O segundo modelo era um híbrido mais complexo que não só procurava estas formas, mas também prestava atenção à ordem em que os sinais chegavam, compreendendo como a atividade cerebral mudava ao longo do tempo.
Os investigadores começaram por limpar os dados brutos. Os registos originais estavam cheios de ruído proveniente de movimentos musculares e interferências ambientais, por isso filtraram o estático indesejado e ajustaram a força do sinal para tornar os dados uniformes. Em seguida, alimentaram esta informação limpa nos dois programas de computador. O primeiro programa, que se focava apenas nos padrões espaciais dos sinais, conseguiu identificar o grupo correto com um AUC de 0,73. Era razoavelmente bom a detetar cérebros saudáveis, mas tinha dificuldade em identificar corretamente as pessoas com esquizofrenia; o modelo identificou corretamente apenas 46,78% dos pacientes com esquizofrenia, enquanto 53,22% foram classificados erroneamente como saudáveis. Isto sugeriu que, embora o programa conseguisse ver a "forma" das ondas cerebrais, estava a perder algo crucial sobre como essas ondas se moviam e evoluíam.
O segundo programa, que combinava o reconhecimento de padrões com a compreensão do tempo, teve um desempenho significativamente superior. Ao aprender não apenas como os sinais pareciam, mas também como se desenrolavam segundo a segundo, este modelo alcançou um AUC de mais de 0,92. Identificou corretamente cerca de 91 por cento das pessoas com esquizofrenia e quase 90 por cento dos indivíduos saudáveis. Os resultados mostraram que o tempo da atividade elétrica do cérebro contém pistas vitais que as fotografias estáticas perdem. O estudo descobriu que o modelo híbrido era muito mais fiável, com uma taxa de sucesso que era quase 20 pontos percentuais superior à do modelo mais simples.
Estas descobertas sugerem que a chave para detetar a esquizofrenia através das ondas cerebrais reside na compreensão da história que os sinais contam ao longo do tempo, e não apenas na imagem que criam num único momento. Embora os investigadores tenham observado que o seu conjunto de dados era relativamente pequeno e que são necessários mais testes com grupos maiores antes que este método possa ser utilizado em hospitais, os resultados oferecem um caminho promissor. Eles indicam que, ao ensinar os computadores a ouvir o ritmo do céreão, poderemos em breve ter uma ferramenta poderosa e objetiva para ajudar os médicos a detetar este difícil transtorno de forma mais precoce e precisa do que nunca.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.