Análise Retrospectiva de Dados de Imagem Utilizando Métodos de Inteligência Artificial para Avaliação Diagnóstica do PET amiloide na Doença de Alzheimer

• Processo: 24/22139-5
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 28 de fevereiro de 2027
• Área de conhecimento: Ciências da Saúde - Medicina
• Pesquisador responsável: Marcelo Tatit Sapienza
• Beneficiário: Gabriel Dias Dadalto
• Instituição Sede: Faculdade de Medicina (FM). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 21/11905-0 - Centro de Ciência, Tecnologia e Desenvolvimento para inovação em Medicina e Saúde: inLab.iNova, AP.CCD
• Assunto(s): Aprendizagem profunda Doença de Alzheimer Equidade em saúde Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Deep Learning | Doença de Alzheimer | Equidade em Saúde | Inteligência Artificial | Tomografia por Emissão de Pósitrons combinada à Tomo Computadorizada | Visão Computacional e Inteligencia Artificial

Resumo

A doença de Alzheimer (DA) é a causa mais frequente de quadro demencial. Apresença das placas betaamiloide (A²) características da DA pode ser feita in vivopela tomografia por emissão de pósitrons combinada com a tomografia computadorizada (PET/CT) com traçadores amiloides, usualmente analisada por critérios visuais com eventual auxílio de técnicas semi-quantitativas. Este estudo retrospectivo tem como objetivo empregar métodos de inteligência artificial (IA) na análise das imagens de 108 pacientes previamente submetidos a PET/CT com[11C]PIB para detecção de depósito amiloide. Os dados de exames já analisados e classificados por médicos especialistas passarão por um préprocessamento para controle e avaliação de equidade dos dados. Posteriormente as imagens serão submetidas a um processo semiautomático de segmentação das regiões cerebrais de interesse, a fim de gerar dados de treinamento para os modelos de segmentação por IA. Com os dados preparados serão iniciados os treinamentos das redes de classificação EfficientNet, Inception (GoogLeNet), ViT e ResNeXt, utilizando apenas como dados de treinamento imagens préclassificadas de formabinária (positivo ou negativo para DA). Posteriormente serão realizados treinamentos das arquiteturas de segmentação 3D UNet, DeepMedic, UNETR++ e Attention VNet, empregando como inputs de treinamento os dados segmentadospor região cerebral de interesse. Serão obtidos os resultados de precisão e eficiência de cada modelo, permitindo que sejam realizadas comparações com análise prévia realizada por especialistas e entre os modelos aplicados. Todos os processos de treino das redes de segmentação e de classificação terão o fluxo e os resultados monitorados por técnicas e frameworks destinados a aplicação de Fairness em modelos de IA como teste de paridade estatísticas condicional, oddsequalizations, IA Fairness 360 e o Fairlearn. Desta forma se buscará identificar e mitigar os possíveis vieses dos modelos de IA e contribuir para apoiar o especialista em diagnósticos mais rápidos e seguros.