Novo método usa exames de imagem cerebral comum para detectar a doença com mais de 90% de precisão
Cientistas do Hospital Geral de Massachusetts (MGH) estão inovando os métodos para a detecção da doença de Alzheimer com o uso de inteligência artificial e aprendizado profundo. Em um estudo publicado no renomado periódico PLOS ONE, a equipe liderada por Matthew Leming, PhD, pesquisador do Centro de Biologia de Sistemas da MGH, desenvolveu um algoritmo capaz de identificar a doença com 90,2% de precisão.
Enquanto pesquisas anteriores se concentravam em exames de imagem cerebral de alta qualidade coletados em estudos de pesquisa, o grande avanço dessa nova abordagem está na sua aplicação a imagens cerebrais clínicas coletadas rotineiramente. Isso significa que diagnósticos mais precisos podem ser realizados em um contexto de atendimento médico comum.
O método utiliza aprendizado profundo, um tipo de inteligência artificial que usa algoritmos complexos e grandes quantidades de dados para treinar modelos. Nesse caso, os cientistas desenvolveram um padrão com base em imagens de ressonância magnética cerebral coletadas de pacientes com e sem Alzheimer, que foram atendidos no MGH antes de 2019.
No estudo, foram analisadas 11.103 imagens de 2.348 pacientes com risco de desenvolver Alzheimer e 26.892 imagens de 8.456 pacientes sem a doença. O modelo foi testado em cinco conjuntos de dados diferentes, provenientes do MGH, do Brigham and Women’s Hospital e de outros sistemas externos. A precisão de 90,2% foi observada em todos os conjuntos de dados, demonstrando a capacidade do algoritmo de detectar a doença em diferentes ambientes clínicos e ao longo do tempo.
Novo modelo de aprendizado profundo
Neste trabalho, os cientistas apresentaram uma nova arquitetura de aprendizado profundo chamada MUCRAN (Rede Adversária de Regressão Multi-Confound, na single em inglês). Ela treina um modelo de aprendizado profundo em imagens de ressonância magnética cerebral clínica enquanto regula fatores de confusão demográficos e técnicos.
No treino do MUCRAN, os pesquisadores utilizaram 17.076 imagens de ressonância magnética cerebral axial T1 coletadas no Hospital Geral de Massachusetts antes de 2019. O novo modelo foi capaz de reduzir com sucesso os principais fatores de confusão presentes nesse amplo conjunto de dados clínicos. Também foi usado um método para quantificar a incerteza desses modelos, o que permitiu excluir automaticamente dados fora da distribuição ao detectar a doença de Alzheimer.
Ao combinar o MUCRAN com o método de quantificação de incerteza foram observados aumentos consistentes e significativos na precisão da detecção de doença de Alzheimer para dados recentemente coletados do Hospital Geral de Massachusetts (84,6% com MUCRAN contra 72,5% sem MUCRAN) e também para dados de outros hospitais (90,3% do Brigham and Women’s Hospital e 81,0% de outros hospitais).
Segundo a equipe de pesquisadores, o MUCRAN oferece uma abordagem geral para a detecção de doenças com base em aprendizado profundo em dados clínicos heterogêneos.
O artigo pode ser acessado aqui.
Apoiado por
