1. O TEA (Transtorno do Espectro do Autismo)
afeta:
A comunicação social o comportamento (ex.: padrões repetitivos).
O diagnóstico hoje é clínico, baseado em observação, entrevistas
e testes que geralmente:
a. Pode demorar;
b. Depende muito da interpretação humana;
c. Pode variar de profissional para profissional.
2. Onde entra o EEG e o computador?
EEG mede a atividade elétrica do cérebro por eletrodos no couro
cabeludo.
A ideia é usar computador + aprendizado de máquina para:
a. Analisar esses sinais;
b. Detectar padrões associados ao TEA.
Isso se chama CAD (Computer-Aided Diagnosis).
Problema:
Modelos de IA costumam ser “caixas-pretas”: dão o resultado, mas não
explicam por quê.
Estudos que usam o EEG em diagnósticos de TEA existem desde 2014:
2014: Estudos inicialmente focados em extração de características robustas e classificação de TEA em EEG já foram publicados nessa época. Robust features for the automatic identification of autism spectrum disorder in children
2015: Pesquisas com validação de biomarcadores no EEG ganharam força. Robust disruptions in electroencephalogram cortical oscillations and large-scale functional networks in autism
2020–2023: Há múltiplos trabalhos usando aprendizado de máquina e técnicas avançadas para melhorar detecção/diagnóstico. A robust method for early diagnosis of autism spectrum disorder from EEG signals based on feature selection and DBSCAN method
2024–2025: Modelos com redes profundas e análises de variabilidade neural continuam ampliando o campo. Harnessing Trial-to-Trial Variability of EEG Spectral Characteristics to Understand Autism
RESUMO DESSES ARTIGOS E ESTUDOS:
EEG mostra diferenças claras em ritmos cerebrais (ex.: alfa,
delta) e conectividade funcional entre indivíduos com TEA e
controles.
A pesquisa tem um foco crescente em biomarcadores explicáveis e
reproduzíveis, não apenas classificadores.
Estudos recentes também exploram a detecção precoce em bebês
(antes de sintomas clínicos).3. O que esse estudo de 2025 propõe de novo?
Eles criaram um modelo chamado: GASTCN: Graph Attention Spectral-Temporal Convolutional Network Que nada mais é que uma rede neural profunda que olha o EEG no tempo, na frequência e na relação entre eletrodos e ainda explica suas decisões.
4. O que o modelo realmente analisa no
EEG?
a. Tempo e frequência ao mesmo tempo: O sinal de EEG é transformado
em espectrogramas.
Isso mostra:
Quando a atividade acontece e;
Em quais frequências (delta, alfa, beta etc).
(Para isso eles usam a Transformada de Fourier de Curto Prazo
(STFT))
Pense como um “mapa colorido” do cérebro ao longo do tempo.
b. Bloco DSE (Diversified Selection Extraction)
Esse bloco faz duas coisas:
Expande as informações:
olha os dados de vários jeitos;
Comprime depois: mantém só o que é mais relevante.
Ou seja: Ele ajuda o modelo a não perder detalhes
importantes, mas também não se confundir com ruído.
c. Relação entre os eletrodos (atenção gráfica):
O cérebro funciona em rede, não em pontos isolados e o modelo aprende
quais eletrodos “conversam” entre si:
Eles usam "atenção guiada por um 'token aprendível': O próprio modelo aprende onde prestar atenção
no couro cabeludo e quais canais de EEG são mais importantes.5. O modelo funciona bem? Sim, bastante.
Eles testaram usando validação cruzada estratificada 5 vezes, o que significa: O modelo foi treinado e testado várias vezes em diferentes divisões dos dados, evitando “sorte” ou viés.
AUROC: 94,33%: excelente capacidade de distinguir TEA vs não-TEA
Sensibilidade (recall): 96,10%: detecta a maioria dos casos de TEA (E com baixa variação, o que indica estabilidade.)
6. E a parte mais importante: ele explica o
resultado?
Sim. Esse é o grande diferencial.
Eles usaram duas técnicas de explicabilidade:
SHAP ajustado por rótulo;
Potência espectral ponderada pela importância.
Com isso, descobriram que:
Biomarcadores principais do TEA:
Bandas delta e alfa no eletrodo C3 (região central esquerda do cérebro).
Ou seja: Não é só “a IA disse que é TEA”, mas “essas frequências, nesse ponto do cérebro, foram decisivas”.MAS EXISTEM ESTUDOS ANTERIORES QUE TRATEM DE DIAGNÓSTICO DE AUTISMO E EEG?
A resposta é: SIM
Primeiro, vou explicar como funciona um EEG e como é possível
verificar TEA num exame desse tipo:
1. Organização atípica dos ritmos de base
Em adultos neurotípicos, espera-se:
Ritmo alfa bem organizado posterior dominante simétrico com boa
reatividade
(Isso significa: Abre o olho: alfa cai)
Em muitos autistas (inclusive adultos):
Alfa mal definido ou “estranho”;
Alfa deslocado (anteriorizado ou assimétrico);
Mistura alfa + teta em vigília;
Ritmo que não reage como esperado.
OU SEJA:
“Esse cérebro não organizou o ritmo de repouso como o padrão.”
2. Excesso de atividade lenta focal ou difusa (sem epilepsia) Muito comum em TEA: Delta/Teta em regiões centrais ou frontais (especialmente sem descargas epileptiformes) aparece em repouso, não só em sonolência
Isso causa estranheza porque:
Não é lesão;
Não é epilepsia;
Não é encefalopatia;
Mas também não é normal.
Hoje sabemos: isso se relaciona a desenvolvimento cortical atípico e conectividade alterada
Isso não é patológico clássico, mas é neurodesenvolvimentalmente atípico.
3. Assimetrias funcionais
persistentes
Outro ponto clássico:
Diferença clara entre hemisférios não transitória e não explicada por
lesão, especialmente nas regiões centrais (C3/C4) temporais
frontais
Significa: conectividade atípica, lateralização
diferente.
4. Reatividade estranha a estímulos
simples
Durante EEG:
a. Abrir/fechar olhos;
b. Hiperventilação;
c. Estímulo luminoso intermitente.
Em muitos autistas
a. Respostas exageradas ou diminuídas;
b. Latência incomum;
c. Dessincronização “esquisita”.
Isso sugere processamento sensorial diferente, algo que hoje é central no TEA.
5. Ausência do “normal patológico”
esperado:
Esse “entre-lugar” é típico do TEA.
| EEG + Inteligência Artificial no Diagnóstico do TEA | ||||
| Da neurofisiologia clínica aos modelos explicáveis de deep learning (2014–2025) | ||||
| Bloco | O que é | O que o EEG mostra | Como a IA analisa | Relevância para TEA |
|---|---|---|---|---|
| TEA (base clínica) | Transtorno do neurodesenvolvimento com alterações em comunicação social e comportamento | Ritmos cerebrais organizados de forma atípica | Ainda não entra aqui | Diagnóstico hoje é clínico, subjetivo e demorado |
| EEG em TEA | Registro da atividade elétrica cerebral via eletrodos no couro cabeludo | Alfa, delta, teta, beta e conectividade funcional | Pré-processamento e extração de sinais | Revela funcionamento real do cérebro |
| Biomarcadores clássicos | Padrões neurofisiológicos estáveis associados ao TEA | Alfa alterado, delta/teta excessivos, assimetrias C3–C4, reatividade estranha | Seleção de características relevantes | Refletem desenvolvimento cortical e conectividade atípicos |
| IA + EEG (CAD) | Diagnóstico auxiliado por computador usando aprendizado de máquina | Sinais brutos e espectrais do EEG | Classificadores e redes neurais | Reduz subjetividade e aumenta reprodutibilidade |
| Modelo 2025 (GASTCN) | Rede neural profunda espaço-temporal com atenção gráfica | Espectrogramas tempo-frequência + relações entre eletrodos | STFT + DSE + Graph Attention | Detecta padrões espaciais, temporais e espectrais do TEA |
| Explicabilidade | Técnicas para explicar por que o modelo decidiu | Quais bandas e canais contribuíram mais | SHAP + potência espectral ponderada | Identifica biomarcadores reais (delta e alfa em C3) |
| Resultado clínico | Medição de quão bem o modelo identifica TEA | Separação clara entre TEA e controles | Validação cruzada estratificada | AUROC 94.3% e sensibilidade 96.1% |
| Baseado em estudos de EEG em TEA (2014–2025) e no modelo GASTCN (2025) | ||||
| AUROC = 94.33%; Sensibilidade = 96.10%; Validação cruzada estratificada 5x | ||||
Tabela 1. Integração entre EEG clínico, biomarcadores neurofisiológicos e modelos de aprendizado profundo explicável para diagnóstico do Transtorno do Espectro do Autismo (TEA). A tabela resume desde os achados clássicos do EEG até a abordagem moderna baseada em redes neurais espaço-temporais (GASTCN), incluindo métodos de explicabilidade e desempenho diagnóstico.