Predição da conversão de comprometimento cognitivo leve em doença de Alzheimer usando engenharia de atributos e aprendizado profundo em imagens de ressonância magnética estrutural

Resumo

Com o aumento da perspectiva de vida das pessoas, a demência se tornou uma questão de saúde pública global premente. Entre os vários tipos de demência, a doença de Alzheimer (DA) é a mais comum, correspondendo a quase 70% dos casos. A Organização Mundial da Saúde estima que 35,6 milhões de pessoas tinham demência em 2010 e esse número é projetado para dobrar até 2030 (para 65,7 milhões) e alcançar 131,5 milhões em 2050. Atualmente, no Brasil, estima-se que haja 1,2 milhão de pessoas com demência. A detecção e o diagnóstico precoce da DA são cruciais para implementar tratamentos adequados e melhorar a qualidade de vida dos pacientes. O comprometimento cognitivo leve (CCL) é uma condição caracterizada por declínio cognitivo sutil e é considerado uma fase prodromal da DA. As pessoas com CCL têm um risco aumentado de desenvolver DA. Portanto, reconhecer com precisão os pacientes com CCL que desenvolverão a DA nos anos subsequentes é muito importante, pois a identificação precoce desses pacientes permitirá intervenções precoces e o melhor gerenciamento da doença. A ressonância magnética (RM), uma técnica de imagem não invasiva que pode fornecer informações estruturais e funcionais sobre o cérebro humano, tem sido amplamente usada como uma ferramenta diagnóstica de apoio para a DA, com achados sugerindo que as alterações estruturais cerebrais ocorrem antes do início dos sintomas cognitivos. A pesquisa proposta utilizará de uma abordagem longitudinal para acompanhar uma grupo de indivíduos com CCL por um período designado de tempo, com o objetivo de avaliar a taxa de conversão para DA. Imagens estruturais de RM da base de dados Alzheimer's Disease Neuroimaging Initiative (ADNI), na linha de base e em intervalos regulares, serão usadas neste estudo. As imagens passarão por pré-processamento, incluindo redução de ruído, correção de heterogeneidades de intensidade e padronização de contraste e espacial usando uma imagem modelo como referência. Em seguida, técnicas de engenharia de atributos e aprendizado profundo serão desenvolvidas para extrair informações relevantes das imagens, levando finalmente à elaboração de modelos de predição. A pesquisa proposta contribuirá para a compreensão das alterações estruturais cerebrais precoces decorrentes da DA e na definição do potencial da imagem de RM como uma ferramenta de diagnóstico para a detecção precoce e predição da conversão de casos CCL para DA. As descobertas deste estudo têm o potencial de informar estratégias de intervenção precoce e melhorar a qualidade de vida de indivíduos com MCI e AD. (AU)