Identificação de subtipos de comprometimento cognitivo leve em idosos utilizando multimodalidade de imagens por ressonância magnética e aprendizado de máquina não supervisionado

• Processo: 21/14873-2
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de outubro de 2022
• Data de Término da vigência: 29 de fevereiro de 2024
• Área de conhecimento: Ciências da Saúde - Medicina
• Pesquisador responsável: Carlos Ernesto Garrido Salmon
• Beneficiário: Rodolfo Dias Chiari Correia
• Instituição Sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Bolsa(s) vinculada(s): 23/00327-1 - Abordagem de aprendizado profundo para prever a conversão de subtipos neuropsicológicos de comprometimento cognitivo leve para a doença de Alzheimer usando ressonância magnética, BE.EP.PD
• Assunto(s): Neurociências Comprometimento cognitivo leve Demência Inteligência artificial Aprendizado de máquina não supervisionado Imagem por ressonância magnética Idosos
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina Não Supervisionado | Comprometimento cognitivo leve | Demência | Imagens por Ressonância Magnética | Inteligência Artificial | Neurociências

Resumo

O quadro de comprometimento cognitivo leve (CCL) em idosos é muito abrangente e complexo, sendo conhecido também por ser um estágio de transição entre o envelhecimento saudável e demências como, por exemplo, a doença de Alzheimer (DA). Em 2011, um conjunto de trabalhos estabeleceu alguns critérios para o diagnóstico do que eles chamaram de "comprometimento cognitivo leve devido à doença de Alzheimer". Entretanto, os pesquisadores ressaltaram limitações importantes para o uso desses critérios, como a variabilidade desses sintomas por serem leves ou iniciais e a ausência de biomarcadores. Consequentemente, um dos principais efeitos das incertezas relacionadas ao diagnóstico do CCL e demências em estágio inicial é a baixa precisão diagnóstica. Dado esse cenário, alguns trabalhos tentaram evoluir na melhor caracterização do CCL com o objetivo dividir o quadro em subgrupos, e com o avanço recente das técnicas de inteligência artificial, esta caracterização envolvendo múltiplos biomarcadores tem atingido um novo nível. Neste trabalho, pretendemos desenvolver uma ferramenta computacional que identifique subtipos de CCL e calcule a probabilidade de cada subtipo de ficar estável, de converter para a DA ou de converter eventualmente para outro tipo de demência. Para isso, primeiro pretendemos utilizar um conjunto de atributos extraídos de dados demográficos, clínicos e principalmente de IRM de diferentes modalidades (IRM estruturais, IRM ponderadas em difusão, IRM funcionais etc.) para treinar, com técnicas de aprendizado de máquina não supervisionado, um modelo que melhor identifique subgrupos. O intuito é encontrar padrões nos dados agrupando indivíduos que possuem características em comum. Em seguida, procuraremos associações entre os subgrupos encontrados e os resultados dos testes neuropsicológicos. Por último, utilizando dados longitudinais, calcularemos as taxas de conversão de cada subgrupo. Desta forma, nossa abordagem pode apresentar grande potencial no desenvolvimento de novos biomarcadores quantitativos para auxiliar na precisão do diagnóstica, prognostica e terapêutica. (AU)