The Support Vector Machine (SVM) is a new and very promising classification technique developed by Vapnik and his group at AT&T Bell Labs. This new learning algorithm can be seen as an alternative training technique for Polynomial, Radial Basis Function and Multi-Layer Perceptron classifiers. An interesting property of this approach is that it is an approximate implementation of the Structural Risk Minimization (SRM) induction principle. The derivation of Support Vector Machines, its relationship with SRM, and its geometrical insight, are discussed in this paper. Training a SVM is equivalent to solve a quadratic programming problem with linear and box constraints in a number of variables equal to the number of data points. When the number of data points exceeds few thousands the problem is very challenging, because the quadratic form is completely dense, so the memory needed to store the problem grows with the square of the number of data points. Therefore, training problems arising in some real applications with large data sets are impossible to load into memory, and cannot be solved using standard non-linear constrained optimization algorithms. We present a decomposition algorithm that can be used to train SVM's over large data sets. The main idea behind the decomposition is the iterative solution of sub-problems and the evaluation of, and also establish the stopping criteria for the algorithm. We present previous approaches, as well as results and important details of our implementation of the algorithm using a second-order variant of the Reduced Gradient Method as the solver of the sub-problems. As an application of SVM's, we present preliminary results we obtained applying SVM to the problem of detecting frontal human faces in real images.

INTRODUÇÃO: O transtorno de déficit de atenção com hiperatividade (TDAH) persistente em adultos apresenta prevalência significativa na população geral. Nota-se também uma alta taxa de comorbidade com outros quadros psiquiátricos, especialmente o transtorno bipolar (TB). Entretanto, ainda hoje discutem-se as próprias definições do TDAH e os limites da comorbidade TDAH+TB, que poderia ser uma extensão dos sintomas do espectro bipolar, uma sobreposição dos dois transtornos ou uma entidade separada com substrato neurobiológico distinto. Impõe-se, assim, a pesquisa de biomarcadores válidos com potencial aplicação na prática clínica. O surgimento recente de técnicas de classificação de padrões morfológicos cerebrais complexos possibilita uma investigação mais direcionada de biomarcadores, buscando em cada indivíduo um conjunto de características que seja capaz de classificá-lo como pertencente a um determinado grupo. OBJETIVOS: Aplicar, de maneira inédita, a técnica de reconhecimento automatizado de padrão aos dados de neuroimagem de pacientes adultos sem tratamento prévio com diagnóstico de TDAH com início na infância, TB, TDAH+TB e controles saudáveis (CS), em busca de assinaturas neuroanatômicas associadas a estes transtornos. MÉTODOS: Três grupos de adultos nunca tratados compostos de 67 sujeitos com TDAH, 30 sujeitos com TB e 16 sujeitos preenchendo critérios diagnósticos para ambos os transtornos; e uma amostra de CS (n=66), foram submetidos ao exame de ressonância magnética (RM) estrutural e de imagem por tensor de difusão (diffusion tensor imaging; DTI). Através de um método automatizado, regiões de interesse foram posicionadas ao longo de todo o cérebro e através destas foram obtidas medidas cerebrais a partir das imagens multimodais. Tais medidas foram usadas como dados de entrada para um classificador não-linear baseado em support vector machine (SVM). Comparações entre todos os pacientes e CS foram feitas através de subgrupos pareados individualmente para gênero e idade e pareados entre os grupos para nível socioeconômico e escolaridade. As medidas de desempenho diagnóstico foram analisadas com o auxílio de curvas receiver operating characteristic (ROC). RESULTADOS: As análises de classificação entre todos os subgrupos apresentaram resultados expressivamente acima do acaso, com exceção da comparação entre os pacientes com TB e os CS (p=0,09). A comparação entre os subgrupos com TDAH e CS apresentou medidas de área sob a curva (AUC) e acurácia diagnóstica de até 0,71 e 66,2% (p=0,003). A comparação entre os subgrupos com TDAH e TB obteve AUC e acurácia diagnóstica de até 0,78 e 70,2% (p=0,01). As análises de classificação entre os pacientes TDAH+TB e todos os outros subgrupos resultaram em valores de até 0,89 e 80,5% (p=0,0009) de AUC e acurácia diagnóstica respectivamente. CONCLUSÃO: Os resultados fornecem endosso neurobiológico para a validade do diagnóstico clinico de TDAH em adultos. As características cerebrais mostraram-se suficientemente fortes para o diagnóstico diferencial entre o TDAH e o TB e também reforçam a hipótese de que a associação TDAH+TB deve ser compreendida como uma entidade neurobiológica distinta. Restam ainda relevantes dificuldades na busca de biomarcadores para a caracterização do TB. As assinaturas neuroanatômicas identificadas neste estudo podem fornecer informações objetivas adicionais e valiosas, servindo como base para estudos futuros que avaliem sua possível influência em decisões terapêuticas dos pacientes apresentando sintomas do espectro TDAH e da comorbidade TDAH+TB / INTRODUCTION: Attention-deficit/hyperactivity disorder (ADHD) is a highly prevalent condition in the general adult population. Also important is its high rate of comorbidity with other psychiatric disorders, particularly bipolar disorder (BD). However, not only the definition of ADHD is still a matter of discussion but also the limits of the ADHD+BD comorbidity; such comorbidity may be interpreted as a continuum spectrum of BD, an overlap of symptoms, or a separate diagnostic entity with a distinct neurobiological substrate. Therefore, further search for valid biomarkers with potential application in clinical practice is still required. The recent development of high-dimensional pattern recognition techniques has allowed targeted investigations of biomarkers, searching for sets of characteristics that could be used to classify each patient in a particular group. OBECTIVES: To apply, for the first time in the literature, machine learning-based pattern recognition methods to neuroimaging data obtained in never-treated adults with childhood-onset ADHD, BD, ADHD+BD and healthy controls (HC), searching for different neuroanatomical signatures associated with each disorder. METHODS: Three groups of never treated adults as following: 67 ADHD patients, 30 BD patients, 16 patients fulfilling diagnostic criteria for both disorders; and a sample of HC (n=66) underwent structural magnetic resonance imaging (MRI) and diffusion magnetic resonance imaging (DTI) acquisitions. A support vector machine (SVM) classifier with non-linear kernel was applied on multi-modal image features extracted on regions-of-interest placed across the whole brain. Comparisons among all patients and controls were carried out through subgroups individually matched for gender and age, and group-matched for years of education and socio-economic status. Diagnostic performance measures were evaluated by computing receiver operating characteristic (ROC) curves. RESULTS: All results on classification analyses were clearly significant above chance level, except in the comparison analysis between BD patients and HC (p=0.09). The comparison between ADHD and HC subgroups afforded area under the curve (AUC) measures and diagnostic accuracy of up to 0.71 and 66.2% (p=0.003). Comparison between ADHD and BD subgroups achieved AUC and diagnostic accuracy of up to 0.78 and 70.2% (p=0.01). Classification analysis between ADHD+BD patients and the other subgroups yielded AUC and diagnostic accuracy values of up to 0.89 and 80.5% (p=0.0009). CONCLUSION: The present study provides neurobiological endorsement to the validity of the clinically-based diagnosis of ADHD in adults. Brain features were strong enough to the differential diagnosis between ADHD and BD, as well as to reinforce the hypothesis that ADHD+BD may represent a distinct neurobiological entity. However, relevant challenges persist regarding the search for biomarkers for BD. The neuroanatomical signatures identified herein may provide additional, objective information, paving the way for future studies assessing its influence in treatment decisions in adults with ADHD and ADHD+BD spectrum symptoms

INTRODUÇÃO: O transtorno de déficit de atenção com hiperatividade (TDAH) persistente em adultos apresenta prevalência significativa na população geral. Nota-se também uma alta taxa de comorbidade com outros quadros psiquiátricos, especialmente o transtorno bipolar (TB). Entretanto, ainda hoje discutem-se as próprias definições do TDAH e os limites da comorbidade TDAH+TB, que poderia ser uma extensão dos sintomas do espectro bipolar, uma sobreposição dos dois transtornos ou uma entidade separada com substrato neurobiológico distinto. Impõe-se, assim, a pesquisa de biomarcadores válidos com potencial aplicação na prática clínica. O surgimento recente de técnicas de classificação de padrões morfológicos cerebrais complexos possibilita uma investigação mais direcionada de biomarcadores, buscando em cada indivíduo um conjunto de características que seja capaz de classificá-lo como pertencente a um determinado grupo. OBJETIVOS: Aplicar, de maneira inédita, a técnica de reconhecimento automatizado de padrão aos dados de neuroimagem de pacientes adultos sem tratamento prévio com diagnóstico de TDAH com início na infância, TB, TDAH+TB e controles saudáveis (CS), em busca de assinaturas neuroanatômicas associadas a estes transtornos. MÉTODOS: Três grupos de adultos nunca tratados compostos de 67 sujeitos com TDAH, 30 sujeitos com TB e 16 sujeitos preenchendo critérios diagnósticos para ambos os transtornos; e uma amostra de CS (n=66), foram submetidos ao exame de ressonância magnética (RM) estrutural e de imagem por tensor de difusão (diffusion tensor imaging; DTI). Através de um método automatizado, regiões de interesse foram posicionadas ao longo de todo o cérebro e através destas foram obtidas medidas cerebrais a partir das imagens multimodais. Tais medidas foram usadas como dados de entrada para um classificador não-linear baseado em support vector machine (SVM). Comparações entre todos os pacientes e CS foram feitas através de subgrupos pareados individualmente para gênero e idade e pareados entre os grupos para nível socioeconômico e escolaridade. As medidas de desempenho diagnóstico foram analisadas com o auxílio de curvas receiver operating characteristic (ROC). RESULTADOS: As análises de classificação entre todos os subgrupos apresentaram resultados expressivamente acima do acaso, com exceção da comparação entre os pacientes com TB e os CS (p=0,09). A comparação entre os subgrupos com TDAH e CS apresentou medidas de área sob a curva (AUC) e acurácia diagnóstica de até 0,71 e 66,2% (p=0,003). A comparação entre os subgrupos com TDAH e TB obteve AUC e acurácia diagnóstica de até 0,78 e 70,2% (p=0,01). As análises de classificação entre os pacientes TDAH+TB e todos os outros subgrupos resultaram em valores de até 0,89 e 80,5% (p=0,0009) de AUC e acurácia diagnóstica respectivamente. CONCLUSÃO: Os resultados fornecem endosso neurobiológico para a validade do diagnóstico clinico de TDAH em adultos. As características cerebrais mostraram-se suficientemente fortes para o diagnóstico diferencial entre o TDAH e o TB e também reforçam a hipótese de que a associação TDAH+TB deve ser compreendida como uma entidade neurobiológica distinta. Restam ainda relevantes dificuldades na busca de biomarcadores para a caracterização do TB. As assinaturas neuroanatômicas identificadas neste estudo podem fornecer informações objetivas adicionais e valiosas, servindo como base para estudos futuros que avaliem sua possível influência em decisões terapêuticas dos pacientes apresentando sintomas do espectro TDAH e da comorbidade TDAH+TB / INTRODUCTION: Attention-deficit/hyperactivity disorder (ADHD) is a highly prevalent condition in the general adult population. Also important is its high rate of comorbidity with other psychiatric disorders, particularly bipolar disorder (BD). However, not only the definition of ADHD is still a matter of discussion but also the limits of the ADHD+BD comorbidity; such comorbidity may be interpreted as a continuum spectrum of BD, an overlap of symptoms, or a separate diagnostic entity with a distinct neurobiological substrate. Therefore, further search for valid biomarkers with potential application in clinical practice is still required. The recent development of high-dimensional pattern recognition techniques has allowed targeted investigations of biomarkers, searching for sets of characteristics that could be used to classify each patient in a particular group. OBECTIVES: To apply, for the first time in the literature, machine learning-based pattern recognition methods to neuroimaging data obtained in never-treated adults with childhood-onset ADHD, BD, ADHD+BD and healthy controls (HC), searching for different neuroanatomical signatures associated with each disorder. METHODS: Three groups of never treated adults as following: 67 ADHD patients, 30 BD patients, 16 patients fulfilling diagnostic criteria for both disorders; and a sample of HC (n=66) underwent structural magnetic resonance imaging (MRI) and diffusion magnetic resonance imaging (DTI) acquisitions. A support vector machine (SVM) classifier with non-linear kernel was applied on multi-modal image features extracted on regions-of-interest placed across the whole brain. Comparisons among all patients and controls were carried out through subgroups individually matched for gender and age, and group-matched for years of education and socio-economic status. Diagnostic performance measures were evaluated by computing receiver operating characteristic (ROC) curves. RESULTS: All results on classification analyses were clearly significant above chance level, except in the comparison analysis between BD patients and HC (p=0.09). The comparison between ADHD and HC subgroups afforded area under the curve (AUC) measures and diagnostic accuracy of up to 0.71 and 66.2% (p=0.003). Comparison between ADHD and BD subgroups achieved AUC and diagnostic accuracy of up to 0.78 and 70.2% (p=0.01). Classification analysis between ADHD+BD patients and the other subgroups yielded AUC and diagnostic accuracy values of up to 0.89 and 80.5% (p=0.0009). CONCLUSION: The present study provides neurobiological endorsement to the validity of the clinically-based diagnosis of ADHD in adults. Brain features were strong enough to the differential diagnosis between ADHD and BD, as well as to reinforce the hypothesis that ADHD+BD may represent a distinct neurobiological entity. However, relevant challenges persist regarding the search for biomarkers for BD. The neuroanatomical signatures identified herein may provide additional, objective information, paving the way for future studies assessing its influence in treatment decisions in adults with ADHD and ADHD+BD spectrum symptoms