Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 21832
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Sociais: ODS3 |
| Setor | Departamento de Informática |
| Bolsa | FAPEMIG |
| Conclusão de bolsa | Não |
| Apoio financeiro | FAPEMIG |
| Primeiro autor | Alice Silva Mendonça |
| Orientador | SABRINA DE AZEVEDO SILVEIRA |
| Outros membros | Igor Duarte Rodrigues |
| Título | Aprendizado de máquina e rs-fMRI para o diagnóstico de TDAH: uma revisão sistemática |
| Resumo | O Transtorno do Déficit de Atenção e Hiperatividade (TDAH) é um transtorno do neurodesenvolvimento comum, caracterizado, principalmente, por desatenção, impulsividade e hiperatividade. Ele impacta negativamente a autoestima, a autorregulação e os relacionamentos interpessoais. Apesar de sua alta prevalência, sua etiologia ainda é pouco explorada. O diagnóstico clínico ainda é predominantemente comportamental, o que dificulta a descoberta de biomarcadores confiáveis devido à heterogeneidade neurológica que tange transtornos psiquiátricos relacionados. Nesse contexto, a neuroimagem funcional tem se mostrado promissora na busca por marcadores objetivos. A ressonância magnética funcional (fMRI), especialmente em estado de repouso (rs-fMRI), permite mapear conexões cerebrais de forma não invasiva, por meio do sinal BOLD (relacionado ao nível de oxigenação sanguínea). Aliada a técnicas de aprendizado de máquina, a fMRI tem sido usada em estudos para realizar o diagnóstico do TDAH com maior precisão. Esta revisão sistemática teve como objetivo investigar e sintetizar estudos que utilizaram aprendizado de máquina aplicado a dados de rs-fMRI no diagnóstico do TDAH. Foram analisados métodos de aquisição e pré-processamento das imagens, algoritmos utilizados, métricas de desempenho, regiões cerebrais envolvidas e aspectos de reprodutibilidade. A metodologia envolveu buscas nas bases IEEE, PubMed, Scielo e ScienceDirect, com seleção de artigos publicados entre 2011 e 2024. Os critérios de inclusão consideraram a presença de dados rs-fMRI, uso de aprendizado de máquina e informações completas sobre o protocolo. Foram extraídos dados sobre amostras, diagnósticos, ferramentas utilizadas, atributos extraídos, classificadores e métricas como acurácia, sensibilidade e especificidade. Os estudos utilizaram majoritariamente pipelines padronizados, como FSL e SPM, com destaque para o uso dos atlas AAL e Desikan-Killiany na definição de regiões de interesse (ROIs). Quanto aos resultados, ainda preliminares, observou-se que os algoritmos mais empregados foram SVM, ANN, CNN e LDA. O SVM apresentou os melhores desempenhos, com acurácia de até 98,04%. Contudo, 40% dos estudos não relataram outras métricas além da acurácia, o que limita comparações. As regiões cerebrais mais mencionadas incluem giro frontal, córtex orbitofrontal, córtex cingulado anterior e posterior, cerebelo, córtex motor e lobo temporal. Conclui-se que o uso de aprendizado de máquina com rs-fMRI mostra potencial para auxiliar no diagnóstico do TDAH, especialmente com SVM, embora muitas vezes tenha sido aplicado em amostras pequenas, indicando riscos de overfitting. Algumas limitações metodológicas, no entanto, como amostras reduzidas (especialmente de mulheres com TDAH recrutadas), falta de padronização diagnóstica e baixa reprodutibilidade, ainda representam barreiras importantes. O avanço dessa abordagem depende da diversificação dos dados e de maior transparência dos estudos. |
| Palavras-chave | TDAH, aprendizado de máquina, fMRI |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|