Em trabalho de iniciação científica, Matheo Angelo Pereira Dantas analisou exames de ressonância magnética funcional para estudar padrões cerebrais associados ao autismo
Como ensinar uma inteligência artificial (IA) a reconhecer padrões associados ao Transtorno do Espectro Autista (TEA) no cérebro e, mais do que isso, compreender quais características levaram o modelo a determinada conclusão? Foi em busca de respostas para essas questões que o doutorando Matheo Angelo Pereira Dantas, do Instituto de Ciências Matemáticas e de Computação (ICMC), da USP, em São Carlos, desenvolveu uma pesquisa que combina IA, neuroimagem e explicabilidade. O trabalho “Redes Neurais de Grafos Explicáveis para a busca de biomarcadores de TEA a partir de exames fMRI” acaba de conquistar o Prêmio J.F. Marar de Inteligência Artificial para a Graduação. Concedida pelo ICMC, a premiação busca reconhecer pesquisas de graduação em IA que apresentem potencial de aplicação e impacto para a sociedade.
Para Matheo, receber a distinção é especialmente importante. O pesquisador tem o diagnóstico de autismo desde os 17 anos. “Foi uma pesquisa de que gostei muito, inclusive pelas aplicações da matemática. Consegui desenvolver algumas ideias novas que podem melhorar a explicabilidade dos modelos”, afirma.
Orientada pelo professor André Carlos Ponce de Leon Ferreira de Carvalho, a pesquisa investiga o uso de exames de ressonância magnética funcional (fMRI) e de Redes Neurais de Grafos (GNNs) para identificar padrões de atividade e conectividade cerebral relacionados ao autismo. “Matheo foi um bolsista muito dedicado e produtivo, sempre mostrou iniciativa e entusiasmo pela pesquisa. Ele conseguiu explorar e utilizar de forma inovadora um conjunto de dados de imagens do cérebro, muito além do que se espera em uma Iniciação Científica, como atestado pelas publicações que sua pesquisa gerou”, destaca.
O cérebro transformado em uma rede – Para desenvolver a pesquisa, Matheo contou com uma base de dados formada por cerca de mil exames de fMRI, técnica que permite observar indiretamente a atividade cerebral a partir de alterações associadas ao fluxo sanguíneo. A partir dos exames, ele analisou a atividade de diferentes regiões do cérebro e a relação entre elas. Essas informações foram transformadas em grafos, estruturas matemáticas particularmente adequadas para representar redes. Nesse modelo, regiões do cérebro funcionam como “nós”, enquanto as relações de conectividade funcional entre elas são representadas pelas ligações. “As ligações entre nós indicam quais regiões estão se comunicando”, esclarece o doutorando.
O pesquisador também empregou técnicas de IA explicável para investigar quais regiões e conexões tiveram maior peso nas previsões do modelo. Esses padrões podem orientar a busca por possíveis biomarcadores do TEA, mas ainda precisam ser investigados e validados. “Além de simplesmente procurar padrões nessas ligações para prever o diagnóstico, o modelo consegue mostrar de forma clara e transparente quais partes do cérebro ou ligações foram importantes para a previsão”, ressalta.
De acordo com Matheo, a explicabilidade de modelos de IA se tornou uma questão central à medida que sistemas de inteligência artificial passaram a ser empregados em áreas sensíveis, como a saúde. “Quando um modelo de aprendizado de máquina faz uma previsão e é muito complexo, como uma rede neural, temos contas em cima de contas. Por isso, não conseguimos entender claramente qual característica do exame levou o modelo a tomar determinada decisão. Isso dificulta, por exemplo, um futuro uso clínico, em que um médico precisaria confiar nessa decisão”, conta.
IA como apoio, não como substituta do diagnóstico
Atualmente, o diagnóstico do Transtorno do Espectro Autista é essencialmente clínico, realizado por profissionais especializados a partir da avaliação do desenvolvimento, do comportamento e de outras características do indivíduo. Não existe, até o momento, um marcador biológico amplamente validado capaz de, isoladamente, determinar o diagnóstico.
Por isso, a proposta da pesquisa não é substituir a avaliação realizada pelos profissionais de saúde. A perspectiva é investigar se a inteligência artificial pode contribuir para revelar características biológicas associadas ao TEA e, no futuro, fornecer informações adicionais que possam apoiar a prática clínica. “Com a inteligência artificial, podemos investigar se existe alguma característica específica que possa ser identificada em um exame”, explica Matheo.
Reconhecimento à pesquisa de graduação
A edição de 2026 do Prêmio J.F. Marar de Inteligência Artificial para a Graduação recebeu 23 candidaturas de estudantes dos cursos de graduação do ICMC. Os trabalhos contemplaram uma ampla variedade de aplicações da IA, passando por saúde e biomedicina, desinformação, redes sociais, monitoramento de inundações e surtos epidemiológicos, sustentabilidade, gestão pública e hospitalar, indústria e educação, além do desenvolvimento de novos modelos, técnicas e arquiteturas computacionais.
Os projetos foram analisados a partir de critérios como relevância acadêmica e social, aderência aos Objetivos de Desenvolvimento Sustentável (ODS) da Organização das Nações Unidas e desempenho acadêmico dos candidatos. A comissão responsável pela avaliação foi formada pelos professores Cláudio Fabiano Motta Toledo, Diego Raphael Amancio e Thiago Alexandre Salgueiro Pardo.
Para Matheo, o reconhecimento chega depois de um percurso que acabou ajudando a definir os próximos passos de sua carreira científica. “Recebi a premiação depois de ter passado bastante tempo trabalhando com essa pesquisa e de descobrir uma área que me motivou muito a seguir. Fazer pesquisa no Brasil, no geral, é muito difícil, então é muito importante ter esse tipo de incentivo para seguir em frente e continuar trabalhando para que nossa pesquisa consiga criar impacto”, afirma Matheo, que concluiu a graduação em 2025 e seguiu direto para o doutorado.
Menção honrosa
A comissão também concedeu menções honrosas a Leticia Barbanera de Menezes, pelo trabalho “Machine Learning para antecipação de desinformação com confiança: estudo de cascatas em redes complexas com quantificação de incerteza”, e a Marcus Vinicius da Silva, pelo trabalho “Planejamento Integrado de Cirurgias: Técnicas de Otimização para o Agendamento de Cirurgias e Alocação de Leitos Hospitalares”. (Mariana Lemes, da Fontes Comunicação Científica)
