“Sonhei que meu pincel se partiu enquanto pegava fatias de cérebro. Cenário de pesadelo, certo? Então eu acordei e pensei: eu realmente sinto falta do laboratório ”, lamentou uma amiga neurocientista recentemente durante um happy hour virtual.
Ela não está sozinha. À medida que a pandemia se espalhava pelos EUA, os laboratórios de neurociência fecharam suas portas, deixando para trás experimentos incompletos, animais de laboratório envelhecidos e amostras cerebrais preciosas que – se não forem processadas – podem significar perder meses de trabalho duro. Como muitos outros campos, a pandemia interrompeu as pesquisas cerebrais práticas do “laboratório úmido”. Resolver os mistérios do cérebro terá que esperar.
Em meados de março, várias empresas acadêmicas, sem fins lucrativos e comerciais de neurotecnologia se uniram para lançar um desafio neurocientífico que incorporava um futuro mais colaborativo para pesquisar o cérebro, durante o distanciamento físico e trabalho remoto. O desafio adotou uma fórmula one-two para acelerar o progresso científico, mais recentemente encapsulada pela pesquisa do Covid-19. Um grande banco de dados abertos, permitindo ferramentas baseadas em IA para análise.
Esses sentimentos não são exatamente novos para a neurociência. Graças ao big data e ao aprendizado de máquina, colaborações em larga escala para mapear o cérebro já foram possíveis através do compartilhamento de dados, como o Human Brain Project ou a BRAIN Initiative. No entanto, aplicar essas idéias colaborativas a conjuntos de dados clínicos tem sido difícil, em parte devido à complexidade e confusão dos dados, além de preocupações com a privacidade.
O desafio NeurekaTM é muito menor em escala, mas incorpora os mesmos princípios. O projeto empregou um banco de dados aberto de registros cerebrais de eletroencefalograma (EEG) de pessoas com epilepsia, com curadoria do Dr. Joseph Picone e colegas do Temple University Hospital (TUH), e desafiou uma comunidade global de entusiastas da neurotecnologia – enquanto estavam longe de seus laboratórios e ficavam em casa – para implantarem o aprendizado de máquina e outras ferramentas de IA e decifrarem melhor esses dados neurais, prevendo ataques antes que eles ocorressem.
Em apenas seis semanas, o desafio recebeu mais de uma dúzia de envios da Austrália, Bélgica, China, Israel, Índia, Rússia e outros países, com várias soluções inovadoras para capturar avisos de ataques usando apenas os sinais elétricos do cérebro.
“Esses desafios só podem ter sucesso quando houver recursos de dados suficientes para apoiar o desenvolvimento da tecnologia e uma metodologia comum de pontuação que permita a comparação direta dos resultados”, disse o Dr. Picone.
Para Yannick Roy, co-fundador e diretor executivo da NeuroTechX, uma organização sem fins lucrativos que apoia a educação e o desenvolvimento de uma comunidade global de profissionais e entusiastas em neurotecnologia, o desafio destaca a promessa da IA na decifração de sinais neurais – desde que o conjunto de dados esteja amplamente disponível.
“Grandes conjuntos de dados clínicos serão essenciais para desbloquear a IA nos próximos anos em campos como a epilepsia. O Dr. Picone ajudou muito, não apenas em termos de conjunto de dados, mas também em ferramentas, documentação e suporte para entender e usar os dados ”, disse Roy, que liderou a organização do desafio.
Os resultados não são apenas um auto-tapinha de uma comunidade científica. Os resultados do desafio, quando mais explorados, podem potencialmente revolucionar o monitoramento da epilepsia para pacientes em casa. Isso é particularmente crítico, pois pacientes com distúrbios crônicos hesitam em visitar a clínica com medo do Covid-19.
“A telessaúde é especialmente importante hoje, quando estamos em casa para ajudar a achatar a curva de Covid”, disse Ray Iskander, CEO da Novela Neurotech, que ajudou a conceituar e patrocinar o desafio. “Mas, mais importante, a competição Neureka nos mostra o que pode ser feito com um conjunto de dados aberto, mesmo durante o bloqueio, para levar a pesquisa em neurociência adiante. Nosso objetivo é apoiar abordagens baseadas em dados semelhantes para personalizar soluções neurológicas em telessaúde. ”
A Mudança do Paradigma da Ciência – Já falei bastante sobre isso: a neurociência mudou de paradigma em direção a um modelo altamente colaborativo na última década. O rápido aumento do aprendizado profundo e de outras ferramentas de aprendizado de máquina tornou especialmente interessante a criação de bancos de dados de registros cerebrais e a busca por hipóteses e insights.
O Corpus de Detecção de Apreensões do Hospital da Universidade Temple (TUSZ), liderado por Picone, foi uma tentativa ambiciosa recente. Parte do Neural Engineering Data Consortium, fundado em 2012 para padronizar metodologias para aplicações de bioengenharia, o Seizure Corpus é um subconjunto da “maior coleção de dados de EEG de código aberto do mundo, com mais de 50.000 registros clínicos conhecidos como Temple University Hospital EE Corpus ”, disse Picone.
O corpus convulsivo encapsula gravações de EEG de pessoas com epilepsia, que é o padrão-ouro para monitorar convulsões. Embora esses conjuntos de dados sejam valiosos, os dados brutos também são enormes, difíceis e demorados para decifrar manualmente. O corpus de apreensão ajudou a “rotular” grande parte dos dados – um pouco semelhante aos dados de rotulagem no aprendizado supervisionado de máquinas – abrindo caminho para as máquinas “lerem” melhor os registros cerebrais elétricos humanos. Isso, por sua vez, permite aos cientistas explorar maneiras de detectar convulsões automaticamente.
Isso é incrível. Ser capaz de prever um episódio de convulsão, especialmente alguns minutos antes que ele ocorra, poderia fornecer aos pacientes um sistema de alerta precoce que ajuda a reduzir lesões e até salvar vidas. O desafio de seis semanas não nos leva lá. Mas é uma poderosa prova de conceito do que é possível durante o bloqueio para acelerar a pesquisa em neurociência.
O Desafio NeurekaTM – Picone ofereceu seu apoio ao desafio, construindo vários sub-bancos de dados do Seizure Corpus para várias equipes desenvolverem seus algoritmos de software e testarem a precisão e a eficiência. Ao todo, o conjunto de dados forneceu quase 1.100 horas de gravações de EEG de quase 700 pacientes, o que encapsulou mais de 3.500 eventos convulsivos.
O objetivo principal era usar o aprendizado de máquina ou outros métodos de IA para detectar convulsões o mais cedo possível, enquanto utilizava o mínimo de canais EEG. Normalmente, o fone de ouvido de padrão internacional possui 21 canais (incluindo referência e terra) embutidos em uma engenhoca do tipo swimcap. É intensivo em dados, volumoso e desconfortável para o uso diário.
“Ao diminuir o número de canais necessários para detectar convulsões, poderíamos potencialmente criar um equipamento mais confortável para ajudar as pessoas com epilepsia a monitorar suas convulsões em casa”, disse Iskander.
Para orientar os participantes, Roy na NeuroTechX e Picone na Temple University organizaram uma sessão de demonstração on-line sobre estrutura, organização e análise de dados, enquanto o desafio manteve um canal animado do Slack para apoiar perguntas imediatas.
“A competição nos mostrou que grandes conjuntos de dados clínicos não são ‘problemas de livros didáticos’ que você vê na escola quando começa. Os dados são confusos, provêm de diferentes equipamentos de hardware e são usados de maneira diferente por vários profissionais “, disse Roy. “Essa variabilidade é um desafio para treinar modelos de alto desempenho. Mas também é necessário que o modelo de IA generalize bem a partir do conjunto de dados de treinamento “.
No total, em apenas 6 semanas, incluindo recrutamento, treinamento e avaliação de modelo de dados, o desafio recebeu 15 envios, com várias soluções superando os modelos atuais de detecção de crises.
“Os sistemas com melhor desempenho deste ano foram baseados em aprendizado profundo. Encontramos duas descobertas importantes: a primeira, que o pré-processamento dos dados pode resultar em melhorias significativas no desempenho, a segunda, que a redução inteligente do número de canais de EEG, se executada corretamente, pode fornecer um ótimo desempenho com uma complexidade significativamente reduzida ”, disse Picone.
No espírito da ciência aberta, o código do vencedor será lançado on-line para que outras pessoas continuem desenvolvendo. Os resultados da competição serão apresentados no Simpósio de Processamento de Sinais IEEE em Medicina e Biologia na Temple University, na Filadélfia, PA, em dezembro deste ano.
O conjunto de dados de desafio permanece aberto hoje para outras pessoas analisarem. Para a equipe tri-organizacional, no entanto, o desafio foi uma vitória inequívoca.
“Após esse desafio bem-sucedido, já estamos ansiosos pelo próximo!” disse Roy.
“Ainda estamos longe da aceitação clínica, os resultados da competição demonstram que o desempenho melhorou significativamente no último ano. É apenas uma questão de tempo até que o desempenho clinicamente aceitável seja alcançado “, disse Picone.
Para Iskander, o desafio é uma prova de conceito do poder de adotar uma abordagem colaborativa de dados abertos para resolver distúrbios neurológicos difíceis – mesmo que, ou especialmente durante a pandemia em que os cientistas sejam afastados de seus laboratórios.
“Estamos impressionados com as abordagens criativas exploradas nesta competição. O desafio não é o fim de tudo. Com os documentos em andamento e os resultados em aberto, esperamos que o desafio ajude a acelerar o monitoramento remoto de pessoas com epilepsia e a aumentar seu bem-estar durante e após a pandemia “, disse ele.
Shelly Xuelai Fan – Neurocientista e autora do livro “A Inteligência Artificial nos substituirá?”.
