A rede neural STST-JEPA aprendeu a determinar a idade biológica a partir do EEG

Os pesquisadores apresentaram STST-JEPA (Arquitetura de Previsão de Incorporação Conjunta Espaço-Temporal Alvo Raso) — um transformador baseado em aprendizado autossupervisionado para processar eletroencefalografia (EEG) tanto em repouso quanto durante tarefas cognitivas.

Como o modelo funciona

O modelo usa previsão latente — previsão de representações de token mascaradas contra um alvo atualizado pela média móvel exponencial. Isso é aumentado com um sinal de reconstrução auxiliar para janelas de 30 segundos de EEG multicanal com mascaramento de bloco espaço-temporal. A arquitetura é baseada em transformadores, o que permite ao modelo capturar dependências de longo alcance em sinais cerebrais.

O treinamento foi conduzido em dois grandes corpus de dados de EEG: brain.space e Healthy Brain Network (HBN), totalizando 47.703 sessões.

Resultados: previsão de idade biológica

A previsão de idade cerebral é uma das aplicações-chave. Em 3.367 sessões de teste, o modelo alcançou um erro absoluto médio (MAE) de 3,06 anos com correlação de r = 0,924. Para comparação, a abordagem de referência (adivinhar o valor médio) dá um erro de aproximadamente 10 anos.

Aplicar ajuste fino leve das camadas finais permitiu ao modelo ficar em primeiro lugar na tabela de classificação pública do NeuralBench em tarefas:

• Classificação de gênero: acurácia equilibrada 0,911
• Previsão de idade: r = 0,749
• Regressão composta psicopatológica: r = 0,215

Interessantemente, o erro residual na previsão de idade correlaciona negativamente com o desempenho cognitivo em várias tarefas testadas.

Por que isso importa para a medicina

O desvio da idade biológica em relação à idade cronológica é um biomarcador que pode indicar transtornos neurológicos e psiquiátricos, envelhecimento cerebral acelerado ou, inversamente, saúde excepcional. O EEG é atrativo para tal triagem porque é barato, portátil e rico em informações temporais.

No entanto, modelos de EEG enfrentam vários desafios: heterogeneidade de montagem de eletrodos entre laboratórios (diferentes configurações de eletrodos), pequenas coortes anotadas, não-estacionaridade dominante no nível do sujeito (instabilidade temporal do sinal). STST-JEPA resolve esses problemas através de treinamento em um grande corpus de dados em modo autossupervisionado.

O que isso significa

Robótica e neuroimagem são testes honestos para IA. Se um modelo pode prever a idade biológica com precisão de ±3 anos a partir de EEG em toda a faixa de crianças a idosos, isso demonstra o valor real dos modelos de fundação em aplicações médicas. O próximo passo é usar STST-JEPA para diagnosticar doenças específicas (depressão, autismo, demência) com base no desvio da idade cerebral da norma.