An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

O cérebro humano é uma vasta e vibrante rede de sinais elétricos, disparando constantemente em padrões que mudam com nossos pensamentos, emoções e estados de saúde. Durante décadas, os médicos confiaram em entrevistas e observação para diagnosticar condições de saúde mental complexas como a esquizofrenia, um transtorno que altera a forma como uma pessoa pensa, sente e interage com o mundo. Embora esses métodos clínicos sejam essenciais, eles também são subjetivos, levando frequentemente a atrasos ou classificações incorretas. Nos últimos anos, os cientistas voltaram-se para a eletroencefalografia, ou EEG, uma técnica não invasiva que coloca sensores no couro cabeludo para registrar a atividade elétrica do cérebro. Ao contrário dos caros exames de imagem cerebral, o EEG é acessível e portátil, oferecendo uma janela direta para a dinâmica em tempo real do cérebro. O desafio sempre foi que esses sinais elétricos são incrivelmente complexos e sutis, tornando difícil identificar os padrões específicos que distinguem um cérebro saudável de um afetado por doenças.

Uma equipe de pesquisadores de várias universidades do Irã desenvolveu uma nova maneira de enfrentar esse problema, criando um sistema que não apenas identifica esses padrões, mas também explica exatamente como os encontrou. Ao analisar registros de 101 pessoas — 51 diagnosticadas com esquizofrenia e 50 voluntários saudáveis — os pesquisadores construíram uma estrutura de aprendizado de máquina capaz de distinguir entre os dois grupos com uma precisão notável. O estudo focou em dois estados específicos: quando os participantes permaneciam sentados com os olhos fechados e quando permaneciam sentados com os olhos abertos. O sistema não apenas adivinhou; ele vasculhou milhares de descrições matemáticas das ondas cerebrais, selecionou as mais reveladoras e usou um poderoso algoritmo computacional para tomar sua decisão. Crucialmente, os pesquisadores não pararam em uma simples resposta de "sim ou não". Eles usaram um método para desvelar as camadas da tomada de decisão do computador, revelando quais partes específicas do cérebro e quais tipos de atividade elétrica eram os mais importantes para o diagnóstico.

O cerne deste trabalho reside em como os pesquisadores lidaram com o enorme volume de dados coletados pelos sensores de EEG. Cada registro produzia uma quantidade massiva de informações, muito superior ao que um computador poderia processar eficientemente sem se confundir. Para resolver isso, a equipe utilizou um processo de seleção passo a passo para encontrar as vinte medições mais úteis entre as milhares disponíveis. Essas medições não eram apenas médias simples; incluíam descrições complexas de quão caóticas ou ordenadas eram as ondas cerebrais, bem como quanta energia estava presente em diferentes faixas de velocidade dos sinais. Uma vez que este conjunto menor e de alta qualidade de dados estava pronto, os pesquisadores testaram dez tipos diferentes de modelos de aprendizado computacional para ver qual deles poderia melhor separar os pacientes dos controles saudáveis. Eles utilizaram um método de teste rigoroso onde o computador era treinado com dados de quase todos e depois testado em uma única pessoa que ele nunca havia visto antes, repetindo isso para cada participante para garantir que os resultados fossem genuínos e não apenas um golpe de sorte.

Os resultados mostraram que os modelos computacionais tiveram um desempenho melhor quando os participantes estavam de olhos fechados. Neste estado de repouso e quietude, os modelos mais bem-sucedidos identificaram corretamente a condição cerca de 81 por cento das vezes. Os modelos que funcionaram melhor foram aqueles que mimetizam a forma como um grupo de especialistas vota em uma decisão, combinando muitos pequenos julgamentos para chegar a uma conclusão final. Quando os participantes abriram os olhos, os modelos ainda eram capazes de distinguir os grupos, mas a precisão caiu ligeiramente, sugerindo que a atividade interna de repouso do cérebro contém sinais mais claros do transtorno do que sua atividade enquanto processa o mundo exterior. O computador não dependeu de um único tipo de sinal para fazer esses julgamentos; em vez disso, descobriu que uma mistura de diferentes medições funcionava melhor. Os sinais mais importantes vieram da parte frontal e das laterais do cérebro, envolvendo especificamente a velocidade das ondas e a complexidade de seus padrões.

Talvez a contribuição mais significativa deste estudo seja a transparência que ele traz ao processo. Em muitas tentativas anteriores de usar computadores para diagnóstico médico, o sistema atua como uma "caixa preta", fornecendo uma resposta sem explicar o porquê. Aqui, os pesquisadores usaram uma ferramenta para mapear exatamente quais características impulsionaram as decisões do computador. Eles descobriram que o sinal mais influente era uma medida de complexidade do centro frontal do cérebro. Quando este sinal era altamente complexo, o computador tendia a diagnosticar a esquizofrenia; quando era mais simples, tendia a um diagnóstico saudável. Outros sinais fundamentais incluíram a força de ritmos específicos de ondas cerebrais nas regiões temporais, nas laterais da cabeça. Essa descoberta sugere que o transtorno não é definido por uma única parte quebrada do cérebro, mas por uma combinação de mudanças na forma como diferentes regiões processam informações e no quão caótica se torna sua atividade elétrica.

Os pesquisadores fizeram questão de notar que, embora seu sistema tenha tido um bom desempenho, ele foi testado em um grupo específico de pessoas de um único centro médico. Isso significa que as descobertas são promissoras, mas ainda não são uma solução final para todos os hospitais do mundo. O estudo argumenta explicitamente contra a ideia de que testes simples e de pequena escala sejam suficientes, mostrando que estudos anteriores com muito poucos participantes frequentemente produziam resultados excessivamente otimistas que não se sustentavam quando testados de forma mais rigorosa. Ao utilizar um grupo maior de pessoas e um método de teste mais rigoroso, este estudo fornece uma imagem mais realista do que é possível. O trabalho demonstra que combinar uma seleção cuidadosa de medições de ondas cerebrais com aprendizado computacional avançado pode criar uma ferramenta de diagnóstico confiável. Também prova que essas ferramentas podem ser tornadas compreensíveis, mostrando aos médicos e pacientes exatamente quais sinais biológicos estão sendo usados para chegar a uma conclusão. Esta abordagem oferece um caminho para ferramentas mais objetivas, baseadas no cérebro, que poderão um dia ajudar médicos a diagnosticar a esquizofrenia de forma mais precoce e precisa, indo além de entrevistas subjetivas para uma compreensão mais clara da realidade elétrica do cérebro.