Graphs of growth : detecting infant movement anomalies with graph convolutional networks

Abstract

Transtornos do desenvolvimento cognitivo (TDC) é uma designação geral para deficiências decorrentes do mau desenvolvimento do sistema nervoso. Bebês prematuros são a população mais afetada e, embora não haja cura para TDCs, tratamentos estão disponíveis assim que o transtorno é identificado. A Avaliação de Movimentos Gerais (AMG) é uma ferramenta de diagnóstico para discernir entre neurodesenvolvimento típico e indicativo de risco em bebês abaixo de 6 meses de idade via a observação de repertórios de movimento específicos – alguns dos quais são anormais e atribuem risco à criança. Apesar de seu alto valor preditivo para CDDs, a AMG é pouco utilizada em ambientes clínicos devido a um programa de treinamento e certificação complexo e custoso. O objetivo desta dissertação é desenvolver uma metodologia para a automatização da AMG: de registros em vídeo do movimento de bebês em ambientes hospitalares, para a classificação de movimento normal e anormal e posterior identificação de risco. Foi desenvolvido um sistema de classificação baseado em Redes Neurais Convolutivas de Grafo para atribuir risco ou não-risco de CDDs em três datasets publicamente disponíveis, contendo sequências com dados posicionais de bebês. No total, dados de 137 bebês foram usados para treinar o algoritmo de classificação. Mudanças à arquitetura interna da rede e etapas de regularização foram feitas a fim de adaptá-la ao caráter ruidoso dos dados. Conduzimos um processo de otimização de hiperparâmetros em diversas configurações experimentais, submetendo nosso modelo a diferentes tipos de dados, tanto intra-datasets – treinamento e teste no mesmo dataset – quanto inter-datasets.