Investigação de marcadores biológicos de transtorno do déficit de atenção com hiperatividade em dados de eletroencefalografia e de ressonância magnética funcional com inteligência computacional

• Ano de defesa: 2024
• Autor(a) principal: Pedrollo, Guilherme Rodrigues
• Orientador(a): Balbinot, Alexandre
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Transtorno do déficit de atenção com hiperatividade; Diagnóstico; Biomarcadores; Reconhecimento de padrões; Redes neurais
• Palavras-chave em Inglês: Ensembles; Convolutional neural networks; Biomarkers; Random forest; Automatic diagnostic
• Link de acesso: http://hdl.handle.net/10183/283579

O transtorno de deficit de atenção e hiperatividade (TDAH) aflige cerca de 5 a 7% da população infantil no mundo. O tratamento adequado do TDAH, exige que este seja identificado corretamente, assim como o seu subtipo. Para tanto, investigaram-se sinais de Eletroencefalografia (EEG) e imagens de ressonância magnética funcional (fMRI) de 856 e de 809 indivíduos de cada modalidade de dados, respectivamente. Esta Tese apresenta um novo método para identificar TDAH e seus subtipos através de meta-classificadores que combinam informações de possíveis biomarcadores obtidos por classificadores primários. As classificações dos classificadores primários foram utilizadas como características enviadas à entrada dos meta-classificadores. Experimentou-se o uso de quatro algoritmos como meta-classificadores: XGBoost, AdaBoost, Ridge e Voto Majoritário. As otimizações dos pesos foram utilizadas para a identificação dos biomarcadores. Em EEG, utilizaram-se, como classificadores primários, florestas aleatórias (RF) para processar características extraídas em cada faixa de frequência. O desempenho da RFs foi comparado à máquinas de vetor de suporte (SVMs). Gerou-se matrizes de correlação a partir das imagens de fMRI, as quais foram enviadas às Redes Neurais Convolucionais (CNN) que atuaram como classificadores primários. O cérebro foi dividido em oito áreas que foram avaliadas separadamente como possíveis biomarcadores de fMRI. A Votação Majoritária obteve 97,6±2,1% de accuracy na identificação de TDAH a partir de fMRI. Os meta-classificadores apontaram as redes de conectividade límbica, frontoparietal, visual e default como os principais biomarcadores de TDAH. Para a distinção de subtipos, o meta-classificador XGBoost que atua a partir dos sinais de EEG se destacou, obtendo uma accuracy de 97,8±0,3%. O estudo apontou a importância de observar as bandas Delta e Teta para o diagnóstico de subtipos. A metodologia apresentada neste trabalho provou-se eficaz para a detecção de TDAH e na identificação dos subtipos deste transtorno. Além disto, os meta-classificadores apontaram biomarcadores que podem ser relevantes para estudos futuros e o desenvolvimento de novos tratamentos de TDAH.