Um estudo liderado pelo Departamento de Engenharia Informática da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) revela avanços significativos na previsão as crises de epilepsia utilizando abordagens de Transfer Learning (TL), contribuindo para uma diminuição do número de falsas previsões.

A previsão das convulsões é crucial para melhorar a qualidade de vida dos pacientes com epilepsia, permitindo um  intervenção antecipada. No entanto, a eficácia dos modelos preditivos é frequentemente limitada pela escassez de dados de alta qualidade e pela variação individual das crises. O TL surge como uma solução promissora, reduzindo o número de falsas previsões, ao mesmo tempo que mantém a precisão dos modelos de Machine Learning (ML).

O Transfer Learning é uma técnica de ML onde um modelo pré-treinado numa tarefa é ajustado para outra tarefa relacionada, economizando tempo e recursos. No estudo é apresentada uma abordagem de TL para desenvolver modelos personalizados de previsão de crises epiléticas com base em Deep Neural Networks (DNNs). Utilizando dados de 40 pacientes da base de dados EPILEPSIAE, os investigadores conseguiram otimizar preditores para novos doentes.

Este avanço é particularmente importante, pois a criação de novos modelos de ML exige grande quantidade de dados, alto custo computacional e múltiplas iterações. Com a TL, os modelos existentes são treinados novamente em tarefas relacionadas com novos dados, acelerando o processo e melhorando a eficácia.

Os resultados mostraram que a TL reduz em quatro vezes o número de falsos alarmes, mantendo a mesma capacidade preditiva comparada aos modelos treinados do zero. “Foi possível concluir que as limitações induzidas pelo baixo número de crises podem ser superadas através destas técnicas”, referiu César Teixeira, docente do DEI e investigador do Centro de Informática e Sistemas da Universidade de Coimbra (CISUC), citado em comunicado.

Esta investigação foi desenvolvida no âmbito do projeto “RECoD-Towards Realistic Epileptic Seizure Prediction: dealing with long-term concept drifts and data-labeling uncertainty”. Além do modelo de TL, o RECoD contribuiu também para o desenvolvimento de abordagens não-supervisionadas para a deteção do estado pré-crise e para a interpretação e explicação de preditores de crises epiléticas, acrescentou o docente da FCTUC.

O consórcio deste projeto envolveu a FCTUC, a Universitätsklinikum Freiburg (UKFR) e o Centro Hospitalar e Universitário de Coimbra (CHUC). O artigo científico “Addressing data limitations in seizure prediction through transfer learning” está disponível para consulta online.