Abordagem de aprendizado profundo para prever a conversão de subtipos neuropsicológicos de comprometimento cognitivo leve para a doença de Alzheimer usando ressonância magnética

• Processo: 23/00327-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Data de Início da vigência: 01 de junho de 2023
• Data de Término da vigência: 30 de novembro de 2023
• Área de conhecimento: Ciências da Saúde - Medicina
• Pesquisador responsável: Carlos Ernesto Garrido Salmon
• Beneficiário: Rodolfo Dias Chiari Correia
• Supervisor: James Cole
• Instituição Sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Instituição Anfitriã: University College London (UCL), Inglaterra
• Vinculado à bolsa: 21/14873-2 - Identificação de subtipos de comprometimento cognitivo leve em idosos utilizando multimodalidade de imagens por ressonância magnética e aprendizado de máquina não supervisionado, BP.PD
• Assunto(s): Inteligência artificial Aprendizagem profunda Neurociências Comprometimento cognitivo leve Doença de Alzheimer
• Palavra(s)-Chave do Pesquisador: Alzheimer's Disease | artificial intelligence | Deep Learning | Mild Cognitive Impairment | Neurociências

Resumo

As aplicações de inteligência artificial em imagens médicas cresceram significativamente nos últimos anos, sendo as técnicas de deep learning (DL) uma das técnicas mais utilizadas e poderosas para identificar padrões neste tipo de imagem. No contexto da doença de Alzheimer (DA), existem duas abordagens comuns usando DL e Ressonância Magnética (MRI). A primeira é para fins de detecção de doenças e o outra, que é o foco de nosso estudo, é prever a conversão do comprometimento cognitivo leve (CCL) para DA. Porém, o estágio do CCL no idoso é muito heterogêneo e com acurácia diagnóstica insatisfatória, o que torna essa segunda abordagem complexa e com resultados inconsistentes. Uma estratégia para reduzir a heterogeneidade do grupo de CCL é subdividi-lo em subgrupos e estudá-los separadamente, sendo os subtipos baseados em características neuropsicológicas um dos mais bem estabelecidos na literatura. O objetivo deste projeto é usar técnicas de DL e MRI para treinar um modelo para prever a conversão dos diferentes subtipos neuropsicológicos do CCL para AD. Para isso, usaremos o conjunto de dados da Alzheimer's Disease Neuroimaging Initiative (ADNI), de onde extrairemos dados demográficos, clínicos, neuropsicológicos e de imagem de RM. Com os dados longitudinais do ADNI, usaremos pacientes diagnosticados com MCI na linha de base, separando-os por subgrupo neuropsicológico. Para cada subgrupo, vamos treinar um modelo considerando duas classes, as que converteram para AD e as que não converteram no seguimento. Como dados de entrada, usaremos imagens de RM ponderadas em T1 das regiões mediais do lobo temporal. A ideia é ver se essa abordagem aumenta a capacidade de prever quais indivíduos com CCL têm maior probabilidade de se converter em DA. (AU)