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

Abstract

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.

An estimate of 5 to 7 percent of children worldwide suffer from attention deficit hyperactivity disorder (ADHD). Accurate identification of ADHD and its subtype are essential for effective therapy. In order to achieve this, indicators in functional magnetic resonance imaging (fMRI) and electroencephalography (EEG) signals were examined from 856 and 809 subjects, respectively. In this thesis, a novel approach to identifying ADHD and its subtypes is presented. The ensembles (AdaBoost, Ridge, XGBoost, and Majority Voting) receives the predictions of the base-classifiers (each working with a distinct potential biomarker) as input features and combine them to enhance the accuracy of the system. The weight optimizations of the ensembles pointed out the biomarkers. In EEG, random forests (RF) were used as base-classifiers to process features extracted in each frequency band. The performance of RFs was compared to support vector machines (SVMs). Convolutional Neural Networks (CNN) (fMRI base-classifiers) received correlation matrix maps extracted from the fMRI. Eight regions of the brain maps were identified and assessed independently as possible fMRI biomarkers. With fMRI data, the Majority Vote identified ADHD with 97.6±2.1% accuracy. The ensembles identified the limbic, frontoparietal, visual, and default connecivity networks as biomarkers for ADHD. With an accuracy of 97.8±0.3%, the XGBoost meta-classifier that works with EEG signals proved to be effective in differentiating subtypes. The study emphasized the importance of monitoring the delta and theta bands in order to identify ADHD subgroups. The methodology presented in this thesis has been shown to be successful in recognizing ADHD and identifying the subtypes of this disorder. The ensembles also identified biomarkers that could be important for further research and the development of new treatments for ADHD.