Rede neural STST-JEPA aprende a estimar a idade biológica a partir de EEG

Pesquisadores apresentaram o STST-JEPA (Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture), um transformer baseado em aprendizado autossupervisionado que processa eletroencefalografia (EEG) tanto em repouso quanto durante tarefas cognitivas.

Como o modelo funciona

O modelo usa predição latente: prevê representações de tokens mascarados em relação a um alvo atualizado por média móvel exponencial. Soma-se a isso um sinal auxiliar de reconstrução para janelas de 30 segundos de EEG multicanal, com mascaramento de blocos espaço-temporais. A arquitetura se baseia em transformers, o que permite ao modelo capturar dependências de longo prazo nos sinais cerebrais.

O treinamento usou dois grandes corpora de dados de EEG, brain.space e Healthy Brain Network (HBN), somando 47,703 sessões.

Resultados: previsão da idade biológica

A previsão da brain age (idade biológica) é uma das aplicações-chave. Em 3,367 sessões de teste, o modelo atingiu erro absoluto médio (MAE) de 3,06 anos, com correlação r = 0,924. Para comparação, a abordagem básica (chutar o valor médio) resulta em erro de cerca de 10 anos.

Um fine-tuning leve das camadas finais levou o modelo ao primeiro lugar no leaderboard público do NeuralBench nestas tarefas:

• Classificação de sexo: balanced accuracy 0,911
• Previsão de idade: r = 0,749
• Regressão de compósitos psicopatológicos: r = 0,215

Curiosamente, o erro residual na previsão de idade do modelo se correlaciona negativamente com o desempenho cognitivo em várias das tarefas testadas.

Por que isso importa para a medicina

O desvio da idade biológica em relação à cronológica é um biomarcador que pode indicar transtornos neurológicos e psiquiátricos, envelhecimento cerebral acelerado ou, ao contrário, saúde excepcional. O EEG é atraente para esse tipo de triagem por ser barato, portátil e rico em informação temporal.

No entanto, os modelos de EEG enfrentam alguns problemas: heterogeneidade de montagem entre laboratórios (diferentes configurações de eletrodos), coortes rotuladas pequenas e não estacionariedade dominante no nível do indivíduo (instabilidade do sinal ao longo do tempo). O STST-JEPA aborda esses problemas ao treinar em um grande corpus de dados de modo autossupervisionado.

O que isso significa

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