Pesquisadores da Universidade de Toronto e da Universidade das Américas Puebla desenvolveram um método avançado de aprendizado de máquina para melhorar o diagnóstico da doença de Parkinson usando técnicas de imagem cerebral que monitoram a atividade cerebral em repouso. Dr. O estudo, liderado por Gabriel Solana-Lavalle e colegas, fornece um método mais preciso para diagnosticar a doença de Parkinson, examinando padrões de atividade cerebral. Os resultados foram publicados em Tomografia.
Solana-Lavalle, juntamente com o professor Michael Cusimano, o Dr. Thomas Steeves, o professor Roberto Rosas-Romero e o Dr. Pascal Tyrrell, desenvolveram um modelo de aprendizado de máquina que processa dados de varredura cerebral para classificar com precisão os pacientes com doença de Parkinson. “Nosso método se concentra em uma combinação única de redução de dados redundantes e, ao mesmo tempo, garantir que possamos entender mais claramente quais regiões do cérebro são afetadas pela doença de Parkinson”, disse o Dr. Solana-Lavalle.
A equipe de pesquisa analisou dados da Iniciativa de Marcadores de Progresso de Parkinson e dados de controle adicionais de outro banco de dados público que coleta exames cerebrais de vários locais de pesquisa. Eles processaram varreduras cerebrais de mais de duzentos indivíduos, usando algoritmos de seleção de subconjuntos de recursos Castle Forest e Wrapper para filtrar ruídos e informações redundantes e focar nas regiões cerebrais mais fortemente associadas à doença de Parkinson, melhorando o desempenho do classificador.
Para gerenciar variações na qualidade dos dados e nos níveis de aquisição, a equipe utilizou técnicas avançadas de processamento de dados, incluindo alinhamento e padronização de imagens. “Essa abordagem baseada em dados fornece insights descritivos sobre regiões cerebrais fortemente associadas à doença de Parkinson, o que pode ajudar os médicos a compreender melhor a progressão da doença e a personalizar os tratamentos”, disse o Dr. Solana-Lavalle.
O estudo identificou regiões específicas do cérebro que mostraram alterações significativas em pacientes com doença de Parkinson em comparação com controles saudáveis. O algoritmo Cassel Forest classificou essas regiões por relevância, possibilitando o uso de ferramentas estatísticas para visualização e interpretação de padrões de ativação que diferiram entre a doença de Parkinson e grupos não afetados. O método foi eficaz em diferentes subgrupos da população, mostrando forte precisão tanto para homens como para mulheres.
O potencial desta abordagem vai além do diagnóstico, fornecendo insights sobre como a doença de Parkinson afeta diferentes regiões do cérebro. O método identificou correlações entre a atividade em certas regiões do cérebro e a seção motora do UPDRS, uma ferramenta de avaliação clínica que mede diversas funções motoras.
Esta pesquisa estabelece as bases para estudos futuros que visam melhorar os modelos de aprendizagem de máquina para outras doenças neurodegenerativas. Ao enfatizar a interpretação sobre o desempenho, o método ajudará os médicos a diagnosticar a doença de Parkinson de forma mais eficaz e a compreender suas diversas implicações nos pacientes.
O estudo representa um avanço significativo na aplicação do aprendizado de máquina à imagem clínica e ao diagnóstico de doenças neurodegenerativas. No futuro, a Dra. Solana-Lavalle e sua equipe planejam expandir a abordagem para incluir estudos de longo prazo, na esperança de acompanhar a progressão da doença de Parkinson ao longo do tempo.
Nota de diário
Solana-Lavalle, G., Cusimano, MD, Steeves, T., Rosas-Romero, R., & Tyrrell, PN (2024). “Análise de aprendizado de máquina de floresta causal da doença de Parkinson em imagens de ressonância magnética funcional em estado de repouso.” Tomografia. DOI: https://doi.org/10.3390/tomography10060068
Sobre os professores
Gabriel Solana Lavalle Recebeu Ph.D. em Sistemas Inteligentes pela Universidad de las Americas, Puebla, México em 2023. Seus interesses de pesquisa incluem processamento de sinais, análise de imagens médicas, previsão e aprendizado de máquina. Em 2022, foi estudante visitante internacional de pós-graduação no Instituto de Ciências Médicas da Universidade de Toronto. Atualmente colabora com parceiros da indústria em projetos que visam o desenvolvimento e implementação de tecnologias inovadoras em processamento de sinais para imagens médicas.
Pascal TyrrellCientista de dados talentoso, ele é Diretor de Ciência de Dados e Professor Associado do Departamento de Imagens Médicas da Universidade de Toronto. Ele fundou o programa de ciência de dados MiDATA e ocupa cargos no Instituto de Ciências Médicas e no Departamento de Ciências Estatísticas. Sua pesquisa aplica inteligência artificial inovadora à análise de imagens médicas para melhorar os resultados de saúde. Pascal é um empreendedor em série com experiência em software de computador, dispositivos médicos e tecnologia agrícola.
Professor Roberto Rosas-Romero Ph. em Engenharia Elétrica pela Universidade de Washington. D. grau. É professor do Departamento de Engenharia Elétrica e de Computação da Universidad de las Americas-Puebla (México). Foi professor visitante no Departamento de Radiologia Diagnóstica da Universidade de Yale. Ele foi duas vezes bolsista Fulbright como estudante na Universidade de Washington e como professor visitante em Yale. Seus interesses de pesquisa estão em processamento de sinais, visão computacional, reconhecimento de padrões, aprendizado de máquina e análise de imagens médicas. Segmentação de imagens de ultrassom, detecção de incêndios florestais a partir de sinais de vídeo, detecção de microaneurismas em imagens de fundo de olho para ajudar a diagnosticar retinopatia diabética, previsão de crises epilépticas com base em ondas cerebrais, detecção de surdez no choro do recém-nascido, diagnóstico de calcificação das cordas vocais. Classificação de queimaduras cutâneas em imagens coloridas utilizando ressonância magnética para auxílio no diagnóstico da doença de Parkinson.
Michael D. Cusimano é neurocirurgião e professor de neurocirurgia e ciências da saúde pública na Universidade de Toronto. Como o primeiro cirurgião treinado da base do crânio no Canadá, ele desenvolveu a abordagem endoscópica dupla nasal completa em 1993, que se tornou globalmente aceita. Seus trabalhos publicados incluem três livros, incluindo Handbook of Skull Base Surgery em coautoria, e mais de 450 publicações. Além de ser um dos principais e mais requisitados neurocirurgiões do país, ele é um especialista reconhecido internacionalmente em lesões cerebrais traumáticas, e o seu trabalho ajudou a mudar a consciência sobre a concussão entre o público em geral e contribuiu para mudanças nas políticas e regras em todos os níveis do desporto em todo o mundo. O seu trabalho altamente colaborativo destaca a importância da avaliação da qualidade de vida dos pacientes e da aplicação da mais recente análise de dados avançada, particularmente medição, inteligência artificial e geografia, à medicina. Cusimano fundou o Escritório de Pesquisa de Prevenção de Lesões do Hospital St. Michael, foi diretor nacional de pesquisa e mais tarde atuou como vice-presidente da Think First National Injury Prevention Foundation por mais de uma década, liderando o grupo canadense CIHR sobre lesões cerebrais traumáticas e violência. A Academia de Ciências da Saúde reconhece suas contribuições para a cirurgia e seu impacto nas políticas públicas nacional e internacionalmente. Com doutorado em educação, ele promoveu o desenvolvimento de modelos de educação e avaliação clínico-cirúrgica e se dedica a educar o público e uma geração de médicos e neurocirurgiões que hoje contribuem para a área. Ele é um defensor declarado da saúde cerebral e da prevenção de lesões cerebrais.
