Pesquisadores utilizaram imagens geradas por Tomografia por Emissão de Pósitrons (PET Scan ou PET/CT) juntamente com um algoritmo de aprendizado de máquina (machine learning) para diagnosticar precocemente a doença de Alzheimer, cerca de seis anos antes do diagnóstico clínico feito.
Ainda não há cura para o Alzheimer, mas vários medicamentos promissores surgiram nos últimos anos que podem ajudar a conter a progressão da doença. Porém, o tratamento deve ser realizado precocemente, no início do curso da doença para que seja eficaz. Essa corrida contra o tempo inspirou pesquisadores a procurar meios de diagnosticar a doença de forma precoce.
No estudo de Ding, et al., publicado no periódico Radiology, a neuroimagem foi combinada com o aprendizado de máquina, uma das ferramentas da inteligência artificial, para predizer se um paciente iria desenvolver ou não a doença de Alzheimer quando eles apresentaram pela primeira vez um problema de memória – a melhor hora de intervir.
PET/CT
O PET/CT é uma técnica de diagnóstico por imagem em Medicina Nuclear que, através de um equipamento híbrido, permite a visualização de alterações metabólicas do organismo (PET – tomografia por emissão de pósitrons) em conjunto com informações anatômicas (CT – tomografia computadorizada). Para realização do exame com PET, o paciente recebe um radiofármaco que é detectado pelo equipamento para a formação da imagem.
O traçador mais comumente utilizado para esta tecnologia é o 18F-Fluordeoxiglicose (FDG), um análogo da glicose, cujo acúmulo depende do metabolismo glicolítico nos diversos órgãos e tecidos. A glicose é a fonte primária de energia para o cérebro, e quanto mais ativa uma célula é, mais glicose ela usa. Enquanto as células neurais adoecem e diminuem o uso da glicose, como no caso do Alzheimer.
Radiologistas têm usado os escaneamentos do PET/CT para detectar o Alzheimer, procurando por níveis reduzidos de glicose no cérebro, especialmente nos lobos frontal e parietal. Porém, devido a doença progredir lentamente, as mudanças no consumo de glicose são sutis e muito difíceis de detectar ao olho nu.
Treinando o computador para detectar o Alzheimer
Para solucionar esse problema, os autores do estudo aplicaram um algoritmo de aprendizado de máquina para a análise das imagens de PET/CT.
Para treinar o algoritmo, os pesquisadores o alimentaram com imagens de um banco de dados de imagens de PET/CT de pacientes que foram eventualmente diagnosticados com Alzheimer, dano cognitivo leve ou sem doença. O algoritmo então começou a aprender por conta própria quais as características são importantes ou não para predizer o diagnóstico de Alzheimer.
Após o treinamento com 1921 imagens, os pesquisadores testaram-no em dois novos banco de dados para avaliar seu desempenho.
O algoritmo atingiu uma especificidade de 80% e uma sensibilidade de 100%, com uma média de 75,8 meses antes do diagnóstico final.
O próximo passo, é calibrar o algortimo para banco de dados maiores, com imagens de PET/CT de diferentes continentes e diferentes tipos de cenários.
Assim, o algoritmo poderá ser utilizado como uma ferramenta preditiva e diagnóstica para o Alzheimer, ajudando o paciente a receber o tratamento necessário o mais cedo possível.
Referência
Ding, et al. A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain. Radiology, 2018. [link]
