Uma abordagem multitarefa para avaliação cérebro-comportamento a partir de ressonância magnética funcional

Abstract

O exame de ressonância magnética funcional é utilizado para verificar o comportamento das redes cerebrais em pesquisas de desordens cerebrais e distúrbios cognitivos. Para compor essa avaliação, dados comportamentais e testes clínicos padronizados podem ser associados. Algoritmos lineares são utilizados na literatura para encontrar correlação entre os dados das imagens e uma variável comportamental alvo, valor final de um teste cognitivo, por exemplo. Quando há mais de uma variável a ser predita, pode ser utilizado algoritmos com aprendizado multitarefa. Considerando a premissa de que quando tarefas são relacionadas podem ser preditas em simultâneo, o presente trabalho visa desenvolver uma abordagem multitarefa utilizando redes baseadas em grafos para responder a seguinte questão de pesquisa: é possível prever múltiplas variáveis comportamentais com aprendizado multitarefa e verificar regiões cerebrais em comum considerando como entrada dados de rs-fMRI? Nossa abordagem demonstrou performance competitiva em relação com a literatura de abordagens single. Além disso, validamos que regiões do cérebro tiveram suas importâncias alteradas entre os modelos, sendo 53 regiões com mudança significativa na população pareada e escores submetidos ao teste de Wilcoxon na importância atribuída pelos modelos single e multi.

Functional magnetic resonance imaging is used to verify the behavior of brain networks in cognitive disorders. To compose this assessment, behavioral data and standardized clinical tests can be associated. Linear algorithms are used in the literature to find a correlation between image data and a target behavioral variable, the final value of a cognitive test, for example. When there is more than one variable to be predicted, algorithms with multitasking learning can be used. Considering the premise that when tasks are related they can be predicted simultaneously, the present work aims to develop a multitasking approach using graph convolutional networks to answer the following research question: is it possible to predict multiple behavioral variables with multitasking learning and verify brain regions in common considering how to input data from rs-fMRI? Our approach demonstrated competitive performance in relation to the literature on single approaches. In addition, we validated which brain regions had their importance altered between the models, with 53 brain regions with a significant change in the matched population and scores submitted to the Wilcoxon test in the importance attributed by the single and multi models.