O aprendizado profundo é mais preciso que o machine learning padrão para classificar transtornos psiquiátricos com neuroimagem?
Resposta curta: Uma revisão sistemática com meta-análise mostrou que, entre os estudos que compararam diretamente aprendizado profundo (DL) e machine learning padrão (SML), a maioria relatou maior acurácia para DL. Na meta-regressão, a vantagem foi significativa apenas para transtorno do espectro autista. Os resultados são promissores, mas limitados por comparações ainda raras e heterogêneas.
Resposta
O estudo revisou a literatura sobre aplicações de aprendizado profundo (DL) em neuroimagem para classificar transtornos psiquiátricos, comparando seu desempenho com o de machine learning padrão (SML). Foram incluídos artigos para análise qualitativa, com foco em transtorno do espectro autista (TEA), esquizofrenia (EZ) e transtorno de déficit de atenção/hiperatividade (TDAH).
Entre os estudos que compararam diretamente DL e SML, a maioria relatou acurácia superior para DL. No entanto, apenas parte dos estudos pôde ser incluída na meta-regressão quantitativa. Essa análise mostrou razão de chances maior para modelos de DL, mas a significância estatística foi atingida apenas para TEA.
Os autores destacam que o DL ainda não é utilizado em todo o seu potencial: a maioria dos estudos emprega características pré-engenheiradas, enquanto uma das principais vantagens do DL é aprender representações a partir de dados minimamente processados. Além disso, a avaliação atual é limitada pela descrição insuficiente de medidas de desempenho, o que dificulta comparações quantitativas.
A restrição a TDAH, EZ e TEA reflete o foco atual da pesquisa em grandes conjuntos de dados publicamente disponíveis. Para realmente demonstrar o valor agregado do DL, são necessárias comparações cuidadosamente desenhadas entre SML e DL, que ainda são raras. O estudo conclui que o DL é uma ferramenta promissora para a classificação de pacientes psiquiátricos individuais, mas sua superioridade precisa ser mais bem estabelecida.
O que o estudo mostrou
Revisão sistemática e meta-análise que incluiu artigos para análise qualitativa, principalmente sobre TEA, esquizofrenia e TDAH. Dos estudos que compararam diretamente DL e SML, a maioria relatou maior acurácia para DL. A meta-regressão mostrou razão de chances maior para DL, com significância apenas para TEA. O resumo não informa o número exato de estudos em cada etapa.
Limitações
O resumo informa que a avaliação é limitada pela descrição mínima de medidas de desempenho, o que impede comparações quantitativas amplas. Além disso, a restrição a TDAH, esquizofrenia e TEA reflete o foco em grandes conjuntos de dados públicos. Comparações cuidadosamente desenhadas entre SML e DL são raras, e o resumo não detalha amostras ou desenhos individuais dos estudos incluídos.
Aplicação no consultório
Para o médico, os achados indicam que o DL em neuroimagem é promissor, mas ainda não está pronto para uso clínico rotineiro na classificação de transtornos psiquiátricos. Na gestão do consultório, isso significa cautela ao considerar ferramentas de IA para diagnóstico; é preciso aguardar estudos com comparações mais robustas e melhor relato de desempenho. A aplicação prática atual é limitada a contextos de pesquisa.
Estudo citado
Deep learning applications for the classification of psychiatric disorders using neuroimaging data: Systematic review and meta-analysis. NeuroImage. Clinical, 2021.
Autores: Quaak M, van de Mortel L, Thomas RM, van Wingen G.
DOI: 10.1016/j.nicl.2021.102584 · PubMed: PMID 33677240
Perguntas para aprofundar
- Quais são as limitações metodológicas dos estudos que comparam aprendizado profundo e machine learning padrão em neuroimagem psiquiátrica?
- Como o aprendizado profundo pode ser aplicado na prática clínica psiquiátrica no futuro?
- Por que a maioria dos estudos se concentra em TEA, esquizofrenia e TDAH?
Mais sobre IA em saúde mental
- Deep learning e machine learning são eficazes na predição da doença de Alzheimer?
- O aprendizado profundo em neuroimagem é confiável para o diagnóstico precoce da doença de Alzheimer?
- O aprendizado por transferência com biomarcadores de neuroimagem já é uma ferramenta confiável para o diagnóstico precoce e a predição prognóstica da doença de Alzheimer?
- Modelos de aprendizado de máquina e aprendizado profundo aplicados ao EEG detectam depressão com desempenho confiável?
- Como a inteligência artificial aplicada a sinais neurais e fisiológicos pode contribuir para a detecção objetiva de ansiedade na prática clínica?
Todas as perguntas sobre IA em saúde mental · Todos os temas · Versão em markdown