O Transtorno do Espectro Autista (TEA) é uma condição complexa do neurodesenvolvimento, definida por desafios na comunicação social e padrões comportamentais repetitivos. Atualmente, o consenso científico sublinha que a intervenção precoce é o fator determinante para resultados desenvolvimentais positivos a longo prazo. No entanto, os métodos diagnósticos tradicionais, baseados puramente em observação clínica e relatos parentais, frequentemente resultam em diagnósticos tardios. Conforme revisado por Agrawal e Agrawal (2026), a integração de inteligência artificial (IA) com biomarcadores multimodais promete transformar o cenário diagnóstico, movendo-o de uma avaliação subjetiva para uma detecção objetiva, quantificável e precoce.
A busca por biomarcadores robustos abrange domínios comportamentais, neuroimagéticos, genéticos e oculares. No campo da neuroimagem, a Ressonância Magnética Funcional (fMRI) e a Eletroencefalografia (EEG) têm revelado padrões de conectividade neural atípicos em crianças com TEA, como a hiperconectividade local e a hipoconectividade de longo alcance. Embora essas tecnologias ofereçam alta precisão diagnóstica, elas enfrentam desafios de custo e a necessidade de sedação em crianças pequenas. Paralelamente, os biomarcadores genéticos, incluindo a análise de variações no número de cópias (CNVs) e polimorfismos de nucleotídeo único (SNPs), oferecem uma visão sobre a herdabilidade da condição, embora a vasta heterogeneidade genética do autismo ainda apresente barreiras para um teste genético universal.
Uma das fronteiras mais promissoras e de baixo custo discutidas no estudo é a análise do rastreamento ocular (eye-tracking). Crianças no espectro frequentemente exibem padrões de fixação atípicos, priorizando objetos inanimados em detrimento de estímulos sociais, como faces e olhos. A aplicação de algoritmos de Deep Learning sobre esses dados de gaze permite a identificação de assinaturas visuais sutis que escapam ao olhar humano. No entanto, o artigo de Agrawal e Agrawal (2026) ressalta que a “caixa-preta” desses modelos de IA tem sido um entrave para a adoção clínica. É aqui que a IA Explicável (XAI) assume um papel vital, fornecendo transparência aos processos de decisão dos algoritmos e permitindo que os clínicos compreendam quais características biológicas levaram a um determinado resultado preditivo.
Além da precisão técnica, a revisão destaca a necessidade de considerar as implicações éticas e a acessibilidade dos dados. Tecnologias baseadas em visão computacional para análise de expressões faciais e movimentos motores surgem como ferramentas não invasivas e escaláveis, ideais para triagens iniciais. Contudo, para que essas inovações alcancem a prática clínica global, é necessário superar a fragmentação dos dados e garantir que os modelos de IA sejam treinados em coortes diversas, evitando vieses algorítmicos. A convergência entre a precisão das máquinas e a experiência clínica humana parece ser o caminho mais assertivo para garantir que nenhuma criança perca a janela de oportunidade para intervenções que alteram a trajetória de vida.
Em suma, a transição para um modelo diagnóstico auxiliado por IA e sustentado por biomarcadores multimodais representa um avanço científico sem precedentes. A revisão de Agrawal e Agrawal (2026) consolida a ideia de que o futuro do diagnóstico de TEA reside na síntese de dados genômicos, funcionais e comportamentais, processados por sistemas de IA explicáveis que priorizam tanto a eficácia diagnóstica quanto a confiança clínica.
Referência (ABNT):
AGRAWAL, Rucha; AGRAWAL, Renuka. Early autism detection: a review of emerging technologies, biomarkers, and explainable AI approaches. Molecular Brain, [s. l.], v. 19, n. 7, p. 1-17, 2026. Disponível em: https://doi.org/10.1186/s13041-025-01269-9. Acesso em: 9 mai. 2026.
