EEG como um sinal barato, mas complexo
Para o diagnóstico precoce da doença de Alzheimer, são necessários métodos acessíveis. O EEG parece ideal: o equipamento é portátil e barato. Mas os registros têm particularidades: são ruidosos, variam muito entre pessoas, e há poucos dados clínicos rotulados. Por causa disso, redes neurais comuns, treinadas "diretamente", frequentemente sofrem overfitting e funcionam mal em novos pacientes.
Nessas condições, a análise autossupervisionada é promissora, como o Delta2Gamma.
Autoaprendizagem em vez de rotulagem manual
Os pesquisadores Chanwoo Park e Chanwoo Kim propuseram o framework Delta2Gamma, que não requer grandes conjuntos de dados rotulados. A ideia é aprender com os próprios sinais, criando versões aumentadas deles e comparando-os entre si — essa abordagem é chamada de aprendizado contrastivo.
Primeiro, cada registro é decomposto em cinco ritmos neurais clássicos: delta, teta, alfa, beta e gama. Para cada ritmo, é usado um encoder separado e uma cabeça de projeção própria, pois a estatística das faixas é diferente. Para que contribuam de forma equilibrada ao aprendizado, uma temperatura é ajustada adaptativamente para cada faixa — um parâmetro que controla a sensibilidade da função de perda contrastiva.
Resultados
O trabalho foi aceito na 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS). Na coorte ADFTD, a eficácia do Delta2Gamma foi testada com um protocolo rigoroso de leave-one-subject-out: o modelo é treinado em todos os participantes, exceto um, e depois testado no sujeito excluído. Isso é o mais próximo possível do uso real. Nesse teste, foi possível distinguir pacientes com Alzheimer de pessoas cognitivamente normais com uma precisão de 92,4%.
Esse resultado supera tanto redes neurais supervisionadas comuns quanto métodos especializados recentes de análise de EEG, que foram desenvolvidos especificamente para essa tarefa.
Conclusões
O Delta2Gamma demonstra que a análise autossupervisionada de EEG pode fornecer alta precisão sem enormes bases de dados rotulados. A capacidade de trabalhar com dados brutos e não rotulados torna a abordagem escalável — ela pode ser aplicada para triagem em massa de demência, onde o principal é baixo custo e simplicidade. Isso não substitui o diagnóstico completo, mas é uma ferramenta promissora para a triagem inicial.
