USO DO ALGORITMO DA INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO POR IMAGEM DE DOENÇAS NEURODEGENERATIVAS: UMA REVISÃO SISTEMÁTICA

REGISTRO DOI: 10.5281/zenodo.10905856


Thiago Macedo Torres¹; Jean Philippe de Freitas²; Gabriela Pederiva Engler³; Vinícius de Freitas Gomes Nogueira4; Gessika Marinara Nascimento Rodrigues5; Fausto Daniel Mendes Morel6; Letícia Furtado de Assis7; Lydhia Torres Rubhia de Lima Torre8; Rafaella Georgia Lima Damasceno9; Tawã do Nascimento Fontes10; Carolina Pontes Soares¹¹


RESUMO

Introdução: Os avanços em algoritmos de inteligência artificial (IA), especialmente aqueles que fazem uso do aprendizado profundo, têm despertado grande interesse no campo da saúde. Um dos setores que tem se destacado na aplicação dessas inovações é o diagnóstico e acompanhamento de doenças neurodegenerativas. Objetivo: Este estudo concentra-se na análise do uso da IA no diagnóstico por imagem de enfermidades neurodegenerativas e a evolução das técnicas de IA e seus impactos na medicina diagnóstica. Avaliando a eficácia do uso de técnicas de aprendizado profundo na detecção de doenças neurodegenerativas que demonstram alterações em exames de imagem. Metodologia: Trata-se de uma revisão sistemática elaborada conforme as recomendações do Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Resultados: A integração da neuroimagem com o aprendizado de máquina abre portas para a identificação precoce, diferenciação precisa entre as enfermidades, monitoramento da progressão da doença e até mesmo previsão de diagnósticos. Essas descobertas têm o potencial de revolucionar a maneira como abordamos as doenças neurodegenerativas, oferecendo novas esperanças para pacientes e profissionais de saúde. Conclusão: O uso da inteligência artificial no diagnóstico por imagem de doenças neurodegenerativas representa um avanço promissor na saúde, permitindo identificação precoce e diferenciação precisa entre essas condições. No entanto, desafios éticos e técnicos precisam ser abordados para garantir a confiabilidade e a interpretabilidade dessas tecnologias. Com responsabilidade, a inteligência artificial tem o potencial de transformar o diagnóstico e tratamento, oferecendo esperança aos pacientes e avanços na medicina.

Palavras-chave: Inteligência Artificial. Neuroimagem. Doenças Neurodegenerativas.

ABSTRACT

Advances in artificial intelligence (AI) algorithms, especially those that make use of deep learning, have sparked great interest in the healthcare field. One of the sectors that has stood out in the application of these innovations is the diagnosis and monitoring of neurodegenerative diseases. This study focuses on analyzing the use of AI in the imaging diagnosis of neurodegenerative diseases and the evolution of AI techniques and their impacts on diagnostic medicine. Evaluating the effectiveness of using deep learning techniques in detecting neurodegenerative diseases that demonstrate changes in imaging studies. This is a systematic review prepared in accordance with the recommendations of the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). The integration of neuroimaging with machine learning opens the door to early identification, accurate differentiation between illnesses, monitoring disease progression, and even predicting diagnoses. These discoveries have the potential to revolutionize the way we approach neurodegenerative diseases, offering new hope for patients and healthcare professionals. The use of artificial intelligence in the imaging diagnosis of neurodegenerative diseases represents a promising advance in healthcare, allowing early identification and precise differentiation between these conditions. However, ethical and technical challenges need to be addressed to ensure the reliability and interpretability of these technologies. Responsibly, artificial intelligence has the potential to transform diagnosis and treatment, offering hope to patients and advances in medicine.

KEYWORDS: Artificial intelligence. Neuroimaging. Neurodegenerative Diseases.

INTRODUÇÃO 

A pesquisa científica desempenha um papel essencial no avanço da medicina e na melhoria das estratégias relacionadas ao diagnóstico e tratamento de diferentes doenças. Nos últimos anos, os algoritmos baseados em inteligência artificial (IA), principalmente aqueles que usam técnicas de aprendizado profundo, têm se mostrado uma perspectiva promissora no campo da saúde (SMITH et al., 2022).

Um dos setores em destaque onde esses avanços têm sido aplicados é o diagnóstico e acompanhamento de doenças neurodegenerativas, um grupo de condições que afetam o sistema nervoso e podem ter um impacto significativo na qualidade de vida dos pacientes (JONES et al., 2021). Este projeto de pesquisa atual tem como objetivo explorar as últimas inovações na aplicação da IA na área da saúde, com foco especial na avaliação do impacto dos algoritmos de aprendizado profundo no processo de diagnóstico e acompanhamento das doenças neurodegenerativas nos últimos três anos. A escolha desse período se deve à rápida evolução das técnicas de IA, que resultaram em avanços significativos nesse período e contribuíram para a medicina diagnóstica. 

Neste contexto, o propósito principal desta pesquisa é analisar a eficácia e a confiabilidade dos algoritmos de aprendizado profundo na detecção precoce, na diferenciação de subtipos e no monitoramento da progressão das doenças neurodegenerativas (BROWN et al., 2023). Além disso, abordaremos a questão da acessibilidade e aplicabilidade dessas tecnologias em diferentes contextos de saúde, incluindo regiões com recursos limitados (GARCIA et al., 2022).

À medida que a IA se consolida na educação como uma ferramenta relevante na medicina, torna-se imperativo compreender sua incorporação de maneira ética e eficaz, visando beneficiar tanto os pacientes quanto os profissionais de saúde (TAVARES, MEIRA, AMARAL, 2020; SILVA et al., 2022). Portanto, esta pesquisa busca oferecer uma análise abrangente, considerando não apenas os avanços tecnológicos, mas também as complexidades éticas e sociais associadas ao uso da IA no diagnóstico e tratamento de doenças neurodegenerativas.

Este trabalho de pesquisa tem como propósito pesquisar e investigar como a inteligência artificial, em particular a aprendizagem profunda, pode ser aplicada no diagnóstico e acompanhamento avaliação crítica das implicações sociais das tecnologias de IA aplicadas à saúde, com o propósito de promover uma implementação responsável e equitativa dessas inovações na área da saúde.

METODOLOGIA

Trata-se de revisão sistemática elaborada conforme as recomendações do Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). O estudo foi norteado pela pergunta de pesquisa clínica estruturada “Qual o impacto do uso de algoritmo da inteligência artificial no processo de diagnóstico por imagem de doenças neurodegenerativas”. Foram utilizados os seguintes acrônimos: população de interesse ou problema de saúde (P) – Pacientes diagnosticados com doenças neurodegenerativas que foram submetidos a algum recurso de inteligência artificial (I) – características radiômicas extraídas de exames de neuroimagem, incluindo ressonância magnética ponderada em T1, PET, SPECT, ressonância magnética funcional e imagens de tensor de difusão (DTI) (C) – Pacientes diagnosticados com doenças neurodegenerativas que foram submetidos a métodos de diagnóstico tradicionais sem o uso de características radiômicas extraídas de exames de neuroimagem baseadas em inteligência artificial. (O) – A acurácia diagnóstica da utilização de características radiômicas extraídas de exames de neuroimagem com inteligência artificial em comparação com métodos de diagnóstico tradicionais, mensurada em termos de sensibilidade, especificidade e precisão, e study (S): estudos que seguem os critérios de elegibilidade.

A estratégia de busca foi elaborada utilizando uma combinação de termos de busca relacionados ao uso de inteligência artificial (Artificial intelligence) no diagnóstico de doenças neurodegenerativas (Neurodegenerative Diseases) aplicadas aos exames de imagem (Diagnostic Imaging). Além disso, foram utilizados operadores booleanos (por exemplo, ‘AND’) para maximizar a sensibilidade da busca. Sendo os descritores utilizados em todas bases de dados, por exemplo, (Artificial intelligence AND Neuroimaging AND Neurodegenerative Diseases). Uma busca sistemática e abrangente foi conduzida em múltiplas bases de dados eletrônicas, incluindo National Library of Medicine (PubMed), Biblioteca Virtual em Saúde (BVS), Web of Science, Lilacs por descritores obtidas pelos Descritores em ciência da Saúde (DeCS) da BVS. Na Embase foram utilizados os termos (Artificial intelligence AND Neuroimaging AND Degenerative Diseases) de acordo com Emtree. Na Pubmed e BVS procurou-se utilizando os filtros: Free full text + timeline (2019-2023) + Humans. Na Web of Science, procurou-se utilizar open access + timeline (2019-2023) com os mesmos descritores. No Lilacs, a busca foi utilizando a timeline (2019-2023). Análise e leitura por título, resumo e assunto, com os mesmos descritores. Não houve restrições quanto ao tamanho da amostra ou à língua estrangeira.

Foram utilizados os seguintes critérios durante a seleção: 1) Foram incluídos estudos com pacientes diagnosticados com doenças neurodegenerativas, incluindo, mas não se limitando a, Doença de Alzheimer, Doença de Parkinson, Esclerose Lateral Amiotrófica (ELA), Doença de Huntington, entre outras. 2) Estudos que utilizaram técnicas de inteligência artificial (IA) para análise de imagens médicas no contexto do diagnóstico de doenças neurodegenerativas. 3) Estudos que compararam o desempenho de algoritmos de IA com métodos de diagnóstico tradicionais, como avaliação clínica por especialistas médicos. 4) Estudos que relataram medidas de acurácia diagnóstica, como sensibilidade, especificidade e precisão, relacionadas à utilização de características radiômicas extraídas de exames de neuroimagem com IA em comparação com métodos de diagnóstico tradicionais. 4) Estudos publicados no período de 2019 a 2023.

Para refinar os trabalhos selecionados foram utilizados os seguintes critérios de exclusão: Estudos que utilizaram livros, trabalhos teóricos ou resenhas; (2) Estudos que utilizaram amostras que não incluem doenças neurodegenerativas; (3) Estudos duplicados; (4) e que não tinham relação direta com uso da inteligência artificial no diagnóstico por imagem de doenças neurodegenerativas; (5) Estudos que não relataram dados relacionados à acurácia diagnóstica ou não forneceram informações suficientes para a análise.

Para a seleção dos artigos, os artigos foram triados da seguinte forma: (I) busca de artigos nas bases de dados; (II) leitura de títulos e resumos, com análise de acordo com os critérios de elegibilidade e; (III) análise de texto completo dos trabalhos, sendo incluídos na revisão sistemática apenas aqueles requeridos pelos critérios de inclusão e não possuíssem nenhum dos critérios de exclusão.

Os dados incluídos foram extraídos no Microsoft Word 2020.  O formulário foi constituído por campos preenchidos por um revisor na seguinte ordem: (1) identificação do estudo (nome do autor principal, ano); (2) objetivo do estudo; (3) método de estudo (tipo de estudo, população e amostra); (4) resultados; (5) conclusão; (6) novidade do artigo. Para aumentar a confiança na seleção dos artigos, todas as etapas de busca e seleção foram revisadas independentemente por dois pesquisadores que, após a leitura de todos os artigos, entraram em acordo para estabelecer quais deles atendiam aos critérios de inclusão. Foi utilizado o software Revman 5.0 da Cochrane para análise de qualidade de estudo e risco de viés dos estudos selecionados.

As buscas foram realizadas nas bases de literatura PubMed, Biblioteca Virtual em saúde (BVS), Web of Science, Lilacs e Embase que resultaram em 1.243 artigos. O principal motivo de exclusão na filtragem por título foi o foco em outros assuntos, a artigos com a timeline fora do período estudado e amostras que não incluem humanos. Foram excluídos 9 artigos por duplicidade. O fluxograma prisma em anexo demonstra cada etapa da inclusão destes artigos (figura 1).

Após a filtragem por leitura de títulos, 350 artigos passaram para leitura do resumo. Nesta etapa, artigos foram excluídos principalmente por não terem foco no uso usa da inteligência artificial no processo diagnóstico de doenças neurodegenerativas (n=108), estudaram amostras que não incluem humanos (n=95), não utilizar a timeline 2019-2023 (n=85), artigos duplicados (n=9). Ao final da coleta, foram selecionados 45 artigos para leitura na íntegra.

Figura 1. Diagrama de fluxo mostrando após a filtragem e analise por leitura de títulos de 350 artigos 45 artigos foram selecionados para o estudo.

Fonte: PRISMA 2020.

RESULTADOS

De acordo com a análise dos 45 estudos selecionados foram incluídos nesta revisão sobre inteligência artificial e neuroimagem, onde os artigos incluídos trata-se de estudos descritivos, apresentando três estudos observacionais longitudinais, trinta e nove estudos observacionais transversais, três estudos de revisão sistemática da literatura. Sendo assim, não houve nenhuma restrição pelo tipo de estudo. Os estudos foram realizados em diferentes períodos. Todos os artigos incluídos tinham como amostra o uso de inteligência artificial no diagnóstico por imagem de doenças neurodegenerativas.

TABELA 1.

AUTOR /ANOOBJETIVOMÉTODO: TIPO DE ESTUDO/ POPULAÇÃO/ AMOSTRARESULTADOSNOVIDADE DO ARTIGO
Ahmadzadeh et al. 2023Investigar o uso de neuroimagem e aprendizado de máquina no estudo das vias da deterioração cognitiva leve à doença de Alzheimer.  Revisão Sistemática:As técnicas de neuroimagem combinadas com aprendizado de máquina são eficazes na identificação de marcadores precoces de deterioração cognitiva e na previsão da progressão para a doença de Alzheimer.  Apresenta uma síntese abrangente das evidências disponíveis sobre o uso de neuroimagem e aprendizado de máquina nesse contexto, destacando seu potencial no diagnóstico precoce da doença de Alzheimer e suas implicações para o tratamento e a gestão da condição.
Park SW et al.,. 2023Classificar estágios da doença de Alzheimer utilizando tomografia por emissão de pósitrons (PET).  Pesquisa observacionalOs métodos envolveram a análise de imagens de PET com 18F-flortaucipir e a aplicação de técnicas de aprendizado de máquina para classificar os estágios da doença de Alzheimer.Enfatiza a utilidade das técnicas de aprendizado de máquina na classificação precisa dos estágios da doença de Alzheimer usando imagens de PET, o que pode ter implicações significativas no diagnóstico e tratamento.
Pan D et al., 2023Confirmar a progressão patológica padronizada na doença de Alzheimer usando aprendizado profundo aplicado a imagens RM.Estudo observacionalUtilizou imagens de ressonância magnética cerebral de pacientes com Alzheimer do Alzheimer’s Disease Neuroimaging Initiative (ADNI) e aplicou técnicas de aprendizado profundo para analisar padrões de progressão patológica.  Verifica a validação da progressão patológica padronizada na doença de Alzheimer por meio de técnicas de aprendizado profundo em imagens de ressonância magnética cerebral.
Caba B et al., 2023Caracterizar e classificar lesões de esclerose múltipla agudas e crônicas com base em uma única imagem de ressonância magnética. Estudo observacionalVerficou imagens de ressonância magnética de pacientes com esclerose múltipla para desenvolver um modelo de aprendizado de máquina capaz de distinguir lesões agudas de crônicas.Enfatiza a utilidade clínica do modelo de aprendizado de máquina para uma rápida classificação de lesões de esclerose múltipla, o que pode ter implicações no tratamento e no acompanhamento de pacientes.    
Warren SL (2023)Realizar uma revisão sistemática sobre o uso de RM funcional e aprendizado no Alzheimer.Estudo transversal observacionalDemonstraram uma crescente utilização da RM funcional e do aprendizado profundo como ferramentas promissoras no estudo e diagnóstico da doença de Alzheimer.      Análise abrangentes das evidências existentes sobre o uso dessas tecnologias no contexto da doença de Alzheimer, fornecendo uma visão geral valiosa do estado atual da pesquisa.
Park YH et al., 2022Desenvolver um modelo de previsão de risco para a doença de Parkinson com base em dados de triagem de saúde em nível nacional.Estudo observacional, Aplicação de aprendizado de máquinaAnalise de dados de triagem de saúde de nível nacional e aplicou técnicas de aprendizado de máquina para desenvolver um modelo de previsão de risco para a doença de Parkinson demonstrando uma alta precisão na identificação de indivíduos em risco.  Aplicação de aprendizado de máquina em grande escala usando dados de triagem de saúde em nível nacional para prever o risco de desenvolver a doença de Parkinson, o que pode ter implicações significativas na detecção precoce e no tratamento da doença.
Sarica A 2022Desenvolver um modelo de aprendizado de máquina explicável para a classificação da doença de Parkinson e casos de SWEDD com base em características clínicas e de imagem.  Estudo observacional, Aplicação de aprendizado de máquinaAplicou técnicas de aprendizado de máquina explicável com ênfase em interações par a par em características clínicas e de imagem para classificar eficazmente casos de Parkinson e SWEDD demonstrando um alto desempenho na discriminação entre essas condições.Aplicação de técnicas de aprendizado de máquina explicável com ênfase em interações par a par para a classificação de Parkinson e SWEDD, o que pode contribuir para aprimorar o diagnóstico clínico e a compreensão dessas condições.
Jang JW et.al., 2022Desenvolver um modelo de aprendizado de máquina para a estimativa automática de atrofia cortical usando imagens de tomografia computadorizada do cérebro.Estudo observacional, Aplicação de aprendizado de máquinaUtilizou um modelo capaz de estimar automaticamente a atrofia cortical em imagens de tomografia computadorizada do cérebro. O modelo demonstrou eficácia na avaliação da atrofia cortical em pacientes.Aplicação de técnicas de aprendizado de máquina para a estimativa automática de atrofia cortical em imagens de tomografia computadorizada do cérebro, oferecendo uma abordagem eficaz e automatizada para avaliação clínica.
Diogo VS et al., 2022Desenvolver uma abordagem de aprendizado de máquina para o diagnóstico precoce da doença de Alzheimer, que seja multi-diagnóstica e generalizável.  Estudo observacional, Aplicação de aprendizado de máquina  Utilizou técnicas de aprendizado de máquina para desenvolver uma abordagem de diagnóstico precoce da doença de Alzheimer que utiliza múltiplos diagnósticos e é generalizável para diferentes populações demonstrando eficácia na identificação precoce da doença de Alzheimer.  Criação de uma abordagem de diagnóstico precoce da doença de Alzheimer que utiliza múltiplos diagnósticos e é projetada para ser aplicável a diferentes populações, representando um avanço na detecção e compreensão da doença.
Behler A, et al.,. 2022Realizar o estadiamento in vivo multimodal da esclerose lateral amiotrófica (ELA) usando inteligência artificial. Estudo observacional, Estudo de aplicação de inteligência artificial.Aplicou técnicas de inteligência artificial para realizar o estadiamento in vivo da ELA com base em múltiplos modos de avaliação. Demonstrou eficácia na classificação e estadiamento da ELA em pacientes.  Aplicação de técnicas de inteligência artificial para o estadiamento da ELA em pacientes, usando múltiplos modos de avaliação, representando um avanço na abordagem clínica da doença.
Prats-Climent J et al., 2022Utilizar IA em imagens de PET com FDG para identificar pacientes com comprometimento cognitivo leve associado a doenças neurodegenerativas.   Estudo observacionalEmpregou técnicas de inteligência artificial em imagens de PET com FDG para identificar pacientes com CCL relacionado a doenças neurodegenerativas. O modelo demonstrou eficácia na identificação desses pacientes.Utilização inteligência artificial em imagens de PET com FDG para identificar pacientes com CCL relacionado a doenças neurodegenerativas, oferecendo uma abordagem inovadora para o diagnóstico clínico.
Heising L Et al., 2022Proporcionar uma estratégia para operacionalizar a equidade na adoção de inteligência artificial médica para a detecção precoce da doença de Alzheimer.Estudo de abordagem metodológica, pesquisa primária ou coleta de dados clínicos ou experimentais.    Apresentou uma abordagem para operacionalizar a equidade na adoção de inteligência artificial médica para a detecção precoce da doença de Alzheimer. O foco estava na implementação de um modelo de rede neural convolucional 2D que leva em consideração preocupações éticas e de equidade.  Abordagem metodológica para operacionalizar a equidade na adoção de inteligência artificial médica, especificamente na detecção precoce da doença de Alzheimer. O artigo contribui para o desenvolvimento de modelos mais éticos e equitativos nesta área.
Beheshti I et al., 2022Monitorar a progressão da doença de Alzheimer na fase de comprometimento cognitivo leve (CCL)Estudo observacional, Aplicação de aprendizado de máquinaAplicou técnicas de aprendizado de máquina em imagens de PET com FDG para monitorar a progressão da doença de Alzheimer na fase de CCL demonstraram eficácia na identificação da progressão da doença.  Aplicação de técnicas de aprendizado de máquina em imagens de PET com FDG para monitorar a progressão da doença de Alzheimer na fase de CCL, oferecendo uma abordagem inovadora para avaliação clínica e acompanhamento da doença.
Jia H, et al., 2021Realizar a classificação da doença de Alzheimer com base na transformação de imagens e na fusão de características.Estudo observacional, Aplicação de aprendizado de máquinaAplicou técnicas de aprendizado de máquina para classificar a doença de Alzheimer com base em imagens transformadas e na fusão de características extraídas dessas imagens. Os modelos demonstraram eficácia na classificação da doença.  Combinou técnicas de transformação de imagens e fusão de características para a classificação da doença de Alzheimer, representando uma abordagem inovadora para a análise de imagens médicas e o diagnóstico da doença.
Agarwal D, et al., 2021Realizar uma revisão sistemática sobre o uso de transfer learning (aprendizado por transferência) em biomarcadores de neuroimagem para o diagnóstico da doença de Alzheimer.Revisão sistemática da literaturaO estudo consistiu em uma revisão sistemática da literatura sobre o uso de transfer learning em biomarcadores de neuroimagem para o diagnóstico da doença de Alzheimer. Foram identificados estudos que exploraram essa abordagem e suas aplicações.  Compilação de evidências sobre o uso crescente de transfer learning em biomarcadores de neuroimagem para o diagnóstico da doença de Alzheimer. Isso demonstra uma abordagem promissora para melhorar a precisão do diagnóstico e o entendimento da doença.
Bi X et al., 2021Utilizar imagens de ressonância magnética (MRI) com base em inteligência artificial para a previsão da doença de Alzheimer.Estudo observacional, Estudo de aplicação de inteligência artificial.O estudo aplicou técnicas de inteligência artificial em imagens de ressonância magnética cerebral para prever a doença de Alzheimer demonstraram eficácia na previsão da doença com base nas imagens.  Aplicação de técnicas de inteligência artificial em imagens de MRI para a previsão da doença de Alzheimer, representando uma abordagem inovadora para a análise de imagens médicas e o diagnóstico da doença.
Tang X, Liu J. 2021Comparar diferentes algoritmos de aprendizado de máquina para prever o curso da doença de Alzheimer.  Estudo de comparação de algoritmos  O estudo comparou diversos algoritmos de aprendizado de máquina no contexto da previsão do curso da doença de Alzheimer. Foram avaliadas diferentes abordagens e suas eficácias na previsão da progressão da doença.  Comparação abrangente de diversos algoritmos de aprendizado de máquina para a previsão do curso da doença de Alzheimer. Essa pesquisa contribui para uma compreensão mais clara das opções disponíveis para análises preditivas nesse contexto clínico.
Vitale A, et al., 2021Avaliar o estado atual e as expectativas do uso da inteligência artificial em dados de neuroimagem em síndromes parkinsonianas. Revisão sistemática da literaturaO estudo consistiu em uma revisão da literatura sobre o uso da inteligência artificial em dados de neuroimagem para síndromes parkinsonianas explorando o estado atual e as perspectivas futuras dessa abordagem.A novidade do artigo está na revisão abrangente do estado atual e das expectativas futuras do uso da inteligência artificial em dados de neuroimagem para síndromes parkinsonianas. Isso fornece uma visão geral valiosa da evolução dessa área de pesquisa e seu potencial clínico.  
El-Sappagh S et al., 2021Desenvolver um modelo de detecção e previsão multimodal e em várias camadas para a doença de Alzheimer.   Estudo de desenvolvimento de modeloO estudo envolveu o desenvolvimento de um modelo de detecção e previsão da doença de Alzheimer utilizando a IA explicável.Abordagem de desenvolvimento de um modelo de detecção e previsão da doença de Alzheimer que combina várias modalidades de dados e utiliza inteligência artificial explicável.
Herzog NJ, Magoulas GD. 2021Detectar a assimetria cerebral e realizar classificação por meio de aprendizado de máquina para o diagnóstico precoce de demência. Estudo de desenvolvimento de modeloO estudo envolveu o desenvolvimento de um modelo de detecção de assimetria cerebral e classificação usando dados de imagem e aprendizado de máquina para o diagnóstico precoce de demência.    Abordagem de desenvolvimento de um modelo de detecção de assimetria cerebral e classificação por meio de aprendizado de máquina para o diagnóstico precoce de demência.
Popuri K et al., 2020Utilizar aprendizado de máquina para quantificar padrões de neurodegeneração em imagens de ressonância magnética estrutural na doença de Alzheimer e converter esses padrões em um escore de demência.   Estudo de validação independenteO estudo validou um modelo de aprendizado de máquina que quantificou padrões de neurodegeneração em imagens de ressonância magnética estrutural de pacientes com doença de Alzheimer. O modelo converteu esses padrões em um escore de demência. Foi realizada a validação do modelo em um grande conjunto de dados de 8.834 imagens.Criação e validação de um modelo de aprendizado de máquina que converte padrões de neurodegeneração em um escore de demência a partir de imagens de ressonância magnética estrutural.
Myszczynska MA et al., 2020Rever e discutir as aplicações do aprendizado de máquina no diagnóstico e tratamento de doenças neurodegenerativas.   Revisão da literaturaO estudo consistiu em uma revisão da literatura sobre as diversas aplicações do aprendizado de máquina no diagnóstico e tratamento de doenças neurodegenerativas.Aplicações do aprendizado de máquina no campo das doenças neurodegenerativas.
AlSaeed D, Omar SF. 2022Realizar análise de imagens de ressonância magnética cerebral para o diagnóstico da doença de Alzheimer utilizando extração de características baseada em redes neurais convolucionais e aprendizado de máquina. Estudo de diagnósticoDesenvolveram um sistema de diagnóstico inovador para a doença de Alzheimer utilizando imagens de ressonância magnética cerebral. O sistema emprega redes neurais convolucionais para extrair características das imagens e, em seguida, utiliza um modelo de aprendizado de máquina para classificar os pacientes em grupos de AD e controles saudáveis.  Contribuição significativa ao campo ao introduzir uma abordagem inovadora que utiliza técnicas avançadas de processamento de imagens e aprendizado de máquina para a análise de imagens de MRI na detecção da doença de Alzheimer.
Sheng J et al., 2020Distinguir entre a doença de Alzheimer, comprometimento cognitivo leve e envelhecimento normal utilizando parcelamento multimodal e aprendizado de máquina.Estudo de pesquisa utilizando métodos de aprendizado de máquina e análise de imagens.O estudo demonstrou que a combinação de técnicas de parcelamento multimodal e aprendizado de máquina permitiu a distinção eficaz entre a doença de Alzheimer, comprometimento cognitivo leve e envelhecimento normal com alta precisão.  Abordagem inovadora que utiliza técnicas de parcelamento multimodal e aprendizado de máquina para diferenciar entre a doença de Alzheimer, comprometimento cognitivo leve e envelhecimento normal.
Li H et al. 2019Desenvolver um modelo de aprendizado profundo para a predição precoce da demência da doença de Alzheimer com base em dados de ressonância magnética do hipocampo.Estudo de pesquisa utilizando métodos de aprendizado profundo e análise de imagens de ressonância magnética. Participantes do Alzheimer’s Disease Neuroimaging Initiative e do Australian Imaging Biomarkers and Lifestyle Study of Aging.O estudo desenvolveu um modelo de aprendizado profundo que demonstrou a capacidade de prever a demência da doença de Alzheimer com antecedência com base em dados de ressonância magnética do hipocampo.Apresenta um modelo de aprendizado profundo que se concentra especificamente na análise de dados de ressonância magnética do hipocampo para a predição precoce da demência da doença de Alzheimer.
Ezzati A et al., 2019Otimizar métodos de aprendizado de máquina para melhorar modelos preditivos de doença de Alzheimer (AD), visando aprimorar a precisão das previsões.Estudo de pesquisa com foco na otimização de métodos de aprendizado de máquina. Participantes do Alzheimer’s Disease Neuroimaging Initiative (ADNI), um consórcio internacional de pesquisa.Os autores otimizaram várias configurações de modelos de aprendizado de máquina para melhorar a precisão das previsões da doença de Alzheimer. Eles mostraram que as otimizações levaram a um aumento na precisão da previsão, destacando a importância de ajustar os métodos de aprendizado de máquina.Destaca a importância da otimização de métodos de aprendizado de máquina na melhoria dos modelos preditivos de doença de Alzheimer.
Moscoso A et al., 2019Prever o desenvolvimento da demência da doença de Alzheimer a longo prazo com base em imagens de ressonância magnética.Estudo de pesquisa com foco na previsão de longo prazo da demência da AD. Participantes do Alzheimer’s Disease Neuroimaging Initiative (ADNI), um consórcio internacional de pesquisa.  O estudo demonstrou que é possível prever o desenvolvimento da demência da AD a longo prazo com base em imagens de RNM.Capacidade de prever a demência da AD a longo prazo com base em imagens de RNM, o que pode ter implicações na concepção de modelos preditivos mais abrangentes e eficazes para a doença.
Kim JP et al., 2019Desenvolver um modelo de classificação hierárquica com base em aprendizado de máquina para distinguir entre a demência frontotemporal e a doença de Alzheimer usando características de neuroimagem. Estudo de pesquisa com foco no desenvolvimento de um modelo de classificação hierárquica baseado em aprendizado de máquina. Pacientes com demência frontotemporal (DFT) e doença de Alzheimer (DA).O estudo desenvolveu com sucesso um modelo de classificação hierárquica baseado em aprendizado de máquina que conseguiu distinguir entre DFT e DA com alta precisão usando características de neuroimagem.Desenvolvimento bem-sucedido de um modelo de classificação hierárquica baseado em aprendizado de máquina para distinguir entre a demência frontotemporal e a doença de Alzheimer usando características de neuroimagem.
Basaia S et al., 2018Desenvolver um método automatizado de classificação de pacientes em grupos de Alzheimer, comprometimento cognitivo leve e controles saudáveis com base em uma única ressonância magnética usando redes neurais profundas.  Estudo de pesquisa com foco no desenvolvimento de um método automatizado de classificação usando redes neurais profundas. Pacientes com Alzheimer, comprometimento cognitivo leve e controles saudáveis.O estudo desenvolveu um método automatizado de classificação que conseguiu diferenciar com sucesso entre pacientes com Alzheimer, CCL e controles saudáveis com base em uma única ressonância magnética.Desenvolvimento de um método automatizado de classificação que pode distinguir entre pacientes com Alzheimer, comprometimento cognitivo leve (CCL) e controles saudáveis com base em uma única ressonância magnética usando redes neurais profundas.
Ziyad, Shabana R et al., 2023Desenvolver um modelo de inteligência artificial para a detecção da doença de Alzheimer usando redes neurais convolucionais em imagens de RNM.Estudo de pesquisa com foco no desenvolvimento de um modelo de inteligência artificial usando redes neurais convolucionais para a detecção da doença de Alzheimer em imagens de ressonância magnética.  Desenvolveram um modelo de inteligência artificial baseado em redes neurais convolucionais que foi capaz de detectar com sucesso a doença de Alzheimer em imagens de ressonância magnética com alta precisão.Desenvolvimento de um modelo de inteligência artificial que utiliza redes neurais convolucionais para a detecção precisa da doença de Alzheimer em imagens de ressonância magnética.
Battineni, Gopi et al., 2022Realizar uma revisão dos modelos de inteligência artificial utilizados no diagnóstico de distúrbios de demência de início adulto.Revisão de literatura.Os resultados da revisão indicam que modelos de inteligência artificial têm sido amplamente utilizados para auxiliar no diagnóstico de distúrbios de demência de início adulto, incluindo Alzheimer e outras formas de demência. Esses modelos demonstraram um alto potencial na detecção precoce, diferenciação entre subtipos de demência e predição de progressão da doença.  Apresentar uma revisão abrangente dos modelos de inteligência artificial utilizados no diagnóstico de distúrbios de demência de início adulto, destacando seu papel na detecção precoce e predição da progressão da doença.
Nakajuma, Kenichi et al., 92022)O objetivo deste estudo é desenvolver um modelo de diagnóstico para a síndrome de Parkinson e a doença de Lewy usando imagens de 123I-ioflupano baseadas em aprendizado de máquina.  Estudo de pesquisa que envolveu a análise de imagens de 123I-ioflupano usando técnicas de aprendizado de máquina para fins de diagnóstico da síndrome de Parkinson e da doença de Lewy.O estudo desenvolveu um modelo de diagnóstico baseado em características de imagem extraídas de imagens de 123I-ioflupano usando aprendizado de máquina. O modelo foi capaz de diferenciar pacientes com síndrome de Parkinson daqueles com doença de Lewy com alta precisão.Apresenta um avanço no diagnóstico da síndrome de Parkinson e da doença de Lewy, utilizando técnicas de aprendizado de máquina e imagens de 123I-ioflupano. Essa abordagem oferece uma maneira mais precisa e eficaz de diferenciar entre essas condições, contribuindo para o avanço no campo do diagnóstico de distúrbios neurológicos.
Cheung et al.,2022Identificar entre várias doenças neurodegenerativas, incluindo a doença de Alzheimer, a demência frontotemporal e a doença de Parkinson, usando radiômica e inteligência artificial com base na volumetria cerebral.Estudo de pesquisa que utiliza técnicas de radiômica e aprendizado de máquina para diferenciar entre diferentes doenças neurodegenerativas com base na volumetria cerebral. Pacientes com diferentes doenças neurodegenerativas, incluindo a doença de Alzheimer, a demência frontotemporal e a doença de Parkinson.  O estudo demonstra que a abordagem de radiômica e inteligência artificial com base na volumetria cerebral é capaz de diferenciar com precisão entre diferentes doenças neurodegenerativas, incluindo a doença de Alzheimer, a demência frontotemporal e a doença de Parkinson, com alta acurácia.Destaca a aplicação inovadora de radiômica e inteligência artificial na diferenciação de doenças neurodegenerativas com base na volumetria cerebral. Essa abordagem oferece uma maneira precisa e eficaz de distinguir entre diferentes condições.
Etminani, Kobra et al.,2022Desenvolver um modelo de aprendizado profundo 3D para prever o diagnóstico de demência com corpos de Lewy, doença de Alzheimer e comprometimento cognitivo leve usando PET cerebral com 18F-FDG (fluordesoxiglicose).  Estudo de pesquisa que utiliza um modelo de aprendizado profundo 3D para análise de imagens de PET cerebral com 18F-FDG com o objetivo de prever diagnósticos de diferentes condições neurodegenerativas.O estudo desenvolveu um modelo de aprendizado profundo 3D que mostrou uma alta precisão na diferenciação entre demência com corpos de Lewy, doença de Alzheimer, comprometimento cognitivo leve e controles saudáveis com base em imagens de PET cerebral com 18F-FDG. O modelo foi capaz de identificar características específicas associadas a cada condição neurodegenerativa.Inovação na aplicação de modelos de aprendizado profundo 3D para análise de imagens de PET cerebral com 18F-FDG no contexto do diagnóstico de diferentes condições neurodegenerativas. Essa abordagem oferece uma maneira precisa de diferenciar entre demência com corpos de Lewy, doença de Alzheimer, comprometimento cognitivo leve e controles saudáveis.
Berson et al., 2023Proporcionar uma visão geral dos algoritmos comerciais atualmente disponíveis de inteligência artificial para neuroimagem e radiologia musculoesquelética.Revisão da literatura.O artigo fornece uma visão geral abrangente dos algoritmos de IA comerciais utilizados em neuroimagem e radiologia musculoesquelética. Ele descreve as principais áreas de aplicação, como detecção de lesões, segmentação de estruturas anatômicas, análise quantitativa e predição de desfechos clínicos.  Oferece uma visão geral atualizada e abrangente dos algoritmos de IA comerciais disponíveis para neuroimagem e radiologia musculoesquelética. Ele destaca a diversidade de aplicações e o potencial da IA para melhorar a prática clínica nesses campos.
Tautan, A.; Ionescu, B.; Santarnecchi, E. 2021Realizar uma revisão dos instrumentos disponíveis relacionados à inteligência artificial no contexto das doenças neurodegenerativas.Revisão de literatura que compila e analisa as ferramentas e técnicas de IA aplicadas às doenças neurodegenerativas.O artigo oferece uma visão geral abrangente das ferramentas de IA disponíveis para pesquisa e diagnóstico de doenças neurodegenerativas, incluindo Alzheimer, Parkinson e Esclerose Lateral Amiotrófica (ELA). Os autores discutem as técnicas de aprendizado de máquina, como classificação, regressão e aprendizado profundo, aplicadas a problemas de previsão de diagnóstico e progressão da doença.  Oferece uma revisão atualizada das ferramentas e técnicas de IA aplicadas às doenças neurodegenerativas, com foco em aprendizado de máquina. Ele destaca o potencial da IA para melhorar o diagnóstico e a gestão dessas doenças, bem como os desafios éticos e práticos associados ao uso de IA em um contexto médico.
Khalil, F.; Oberhauser, J.; Wakhloo, D.; Mahajan, S. 2023Discutir a implementação do aprendizado de máquina na detecção clínica de distúrbios neurodegenerativos.Revisão de estudo.O artigo discute a crescente importância do aprendizado de máquina na detecção e diagnóstico de distúrbios neurodegenerativos, como Alzheimer, Parkinson e Esclerose Lateral Amiotrófica (ELA). Os autores destacam as várias aplicações do aprendizado de máquina, incluindo a análise de imagens cerebrais, dados genéticos, registros clínicos e biomarcadores.  O artigo oferece uma visão geral atualizada das aplicações de aprendizado de máquina na detecção clínica de distúrbios neurodegenerativos. Ele destaca a crescente relevância dessa abordagem para a prática médica e ressalta a necessidade de lidar com questões práticas e éticas à medida que a IA é implementada na neurologia clínica.
Zivadinov, R.; Dwyer, M. G. 2023Explora o uso de métodos modernos de inteligência artificial para criar sequências de imagem que permitam a detecção de lesões de esclerose múltipla cortical  Estudo de pesquisa.  Os autores desenvolveram um método de IA que usa redes generativas adversárias para gerar sequências de imagem sintéticas que podem destacar melhor as lesões de esclerose múltipla cortical e juxtacortical em imagens de ressonância magnética convencionais.O artigo destaca a inovação no uso de IA, especificamente redes generativas adversárias, para melhorar a detecção de lesões de esclerose múltipla em imagens convencionais de ressonância magnética.
Boyle et al., 2021Revisar o uso da inteligência artificial em neuroimagem molecular, destacando como as técnicas de IA são aplicadas para análise e interpretação de imagens em estudos de neuroimagem que envolvem moléculas específicas.Revisão de estudoO artigo revisa várias aplicações de IA em neuroimagem molecular, incluindo a identificação de marcadores moleculares para doenças neurodegenerativas, como a doença de Alzheimer, a segmentação automática de imagens de PET e SPECT, a geração de mapas de densidade de receptor e a previsão de progressão de doenças neurológicas.O artigo destaca as últimas inovações no uso da IA em neuroimagem molecular e fornece uma revisão abrangente do campo. Ele enfatiza a importância crescente da IA na análise de imagens de neuroimagem molecular e destaca as possíveis aplicações e desafios futuros.
Akbari, M. A.; Nourmohammadi, M. R.; Kharazi, A.; et al. 2022Investigar o uso da inteligência artificial em imagens de tomografia por emissão de pósitrons (PET) com fluordesoxiglicose (FDG) para identificar pacientes com comprometimento cognitivo leve que estão em risco de desenvolver doenças neurodegenerativas, como a doença de Alzheimer.   Este estudo se enquadra como uma pesquisa científica exploratória, envolvendo o desenvolvimento e a avaliação de um modelo de IA para classificação de pacientes com base em dados de imagens médicas.O estudo relata que o modelo de IA desenvolvido apresentou uma alta capacidade de discriminação entre pacientes com CCL progressivo e pacientes com CCL estável com uma precisão significativamente maior do que a abordagem convencional de análise de imagens de PET-FDG. Os resultados indicam que a IA pode ser uma ferramenta eficaz para identificar pacientes com CCL que têm maior probabilidade de progredir para doenças neurodegenerativas.O artigo destaca a aplicação da IA em imagens de PET-FDG para prever a progressão de pacientes com CCL para doenças neurodegenerativas, como a doença de Alzheimer. Ele demonstra que a IA pode melhorar significativamente a precisão na identificação de pacientes em risco, o que pode ter implicações importantes para o diagnóstico precoce e a intervenção terapêutica.
Kharazi et al. 2022Avaliar o uso da inteligência artificial na detecção precoce da doença de Alzheimer com base em diferentes modalidades de imagem.Revisão sistemática da literatura.A revisão sistemática identifica uma variedade de abordagens de IA que foram aplicadas com sucesso na detecção precoce da DA usando imagens de ressonância magnética, PET e outras modalidades de neuroimagem. Os estudos revisados relatam altas taxas de precisão na diferenciação de pacientes com DA de grupos de controle saudáveis.  O artigo oferece uma revisão abrangente das aplicações de IA na detecção precoce da DA com base em várias modalidades de imagem. Ele destaca os avanços e desafios na área e enfatiza a necessidade de validação e padronização em futuras pesquisas. Além disso, fornece uma visão geral atualizada das tendências atuais na aplicação de IA para esse fim.
Zhang et al., 2023Realizar        uma revisão abrangente sobre o uso de inteligência artificial no diagnóstico da doença de Alzheimer com base em neuroimagem multimodal, que inclui diversas técnicas de imagem.  Revisão da literatura científica.A revisão destaca os avanços significativos alcançados na aplicação de IA para o diagnóstico da DA com base em neuroimagem multimodal. Os resultados dos estudos revisados demonstram a capacidade da IA em diferenciar entre pacientes com DA e controles saudáveis, muitas vezes alcançando altas taxas de precisão.O artigo oferece uma revisão atualizada e abrangente sobre o uso de IA no diagnóstico da DA com base em neuroimagem multimodal. Ele destaca os avanços recentes e as abordagens eficazes, além de discutir os desafios e as áreas que precisam de mais pesquisa. A revisão fornece insights valiosos, incluindo o potencial da fusão de diferentes modalidades de imagem para melhorar a precisão diagnóstica.
Zhang et al., 2023Explorar os desafios e as direções futuras no uso da inteligência artificial para o diagnóstico da doença de Alzheimer (DA) com base em neuroimagem multimodal.Revisão abrangente da literatura científica e não envolve pesquisa primária.A revisão destaca vários desafios críticos enfrentados na aplicação da IA ao diagnóstico da DA com base em neuroimagem multimodal. Dos desafios abordados incluem a necessidade de conjuntos de dados de treinamento grandes e representativos, a questão da interpretabilidade dos modelos de IA, a heterogeneidade dos dados de neuroimagem e a importância da validação clínica em larga escala.  O artigo oferece uma visão abrangente dos desafios atuais e das direções futuras no uso da IA para o diagnóstico da DA com base em neuroimagem multimodal. Ele destaca a importância de superar desafios críticos, como a qualidade dos dados e a interpretabilidade dos modelos, para avançar na aplicação clínica da IA.
Cianchetti et al., 2022Realizar uma revisão abrangente sobre o uso da inteligência artificial em doenças neurodegenerativas.Revisão da literatura científica.Destaca a IA desempenha um papel crescente no diagnóstico e na previsão de doenças neurodegenerativas, incluindo a doença de Alzheimer e a doença de Parkinson. Usada para análise de neuroimagem, análise de biomarcadores, previsão de progressão da doença e identificação de alvos terapêuticos potenciais.O artigo oferece uma revisão abrangente do estado atual do uso da IA em doenças neurodegenerativas, abordando não apenas aspectos clínicos, mas também questões éticas relacionadas. Ele destaca o potencial da IA para diagnóstico precoce, prognóstico e identificação de alvos terapêuticos.

DISCUSSÃO

As doenças neurodegenerativas representam um grupo de condições médicas debilitantes que afetam o sistema nervoso, levando à progressiva deterioração das funções cerebrais e/ou do sistema nervoso periférico. Essas doenças são caracterizadas pela perda de células nervosas e de suas conexões, resultando em sintomas que podem variar desde problemas de memória e coordenação até a perda de controle sobre funções motoras e cognitivas essenciais. Infelizmente, muitas dessas condições não têm cura conhecida e podem ter um impacto devastador na qualidade de vida dos pacientes, bem como em suas famílias.

Embora essas doenças tenham causas diferentes, todas compartilham a característica de resultar na degeneração progressiva do sistema nervoso. O diagnóstico precoce e a pesquisa contínua são essenciais para o desenvolvimento de tratamentos mais eficazes e para melhorar a qualidade de vida dos pacientes afetados por essas doenças. A inteligência artificial e a neuroimagem estão desempenhando um papel importante na pesquisa e no diagnóstico preciso dessas condições, permitindo intervenções mais eficazes e personalizadas. O trabalho de Tautan, Ionescu e Santarnecchi fornece uma revisão abrangente das ferramentas disponíveis para a detecção e análise de doenças neurodegenerativas usando IA, com foco nas técnicas de aprendizado de máquina, o que torna evidente a progressão e o uso de técnicas mais sofisticadas.

Ahmadzadeh et al. destaca como a neuroimagem e a IA são usadas para estudar as vias que levam ao comprometimento cognitivo leve à doença de Alzheimer. Isso é essencial para identificar marcadores precoces da doença e entender melhor sua progressão. A utilização de algoritmos de inteligência artificial (IA) no diagnóstico por imagem de doenças neurodegenerativas tem sido uma área de pesquisa em crescimento nos últimos anos. Essa abordagem tem o potencial de transformar o diagnóstico e a compreensão dessas doenças de maneira significativa.

Dentre as doenças neurodegenerativas destacadas neste estudo, a Doença de Alzheimer é a forma mais comum de demência, caracterizada pela perda progressiva de funções cognitivas, como memória, raciocínio e habilidades de pensamento. Os principais sintomas incluem esquecimento, desorientação, dificuldade de comunicação e mudanças de personalidade. Pérez-Millan et al. demonstram como a IA pode ser usada para classificar doenças neurodegenerativas, como Alzheimer e demência frontotemporal, com base em dados de imagem longitudinal. Essa diferenciação é crucial para o tratamento e acompanhamento adequados. O estudo de Pan et al. destaca o uso de aprendizado profundo (deep learning) para identificar padrões patológicos na progressão da doença de Alzheimer. Isso pode ajudar a prever a evolução da doença com maior precisão.

Não se limitando apenas ao Alzheimer, a IA também é aplicada em outras doenças, como esclerose múltipla, doença de Parkinson e esclerose lateral amiotrófica, como demonstrado nos estudos de Caba, Park, Behler et al. Na Esclerose Lateral Amiotrófica (ELA), as células nervosas no cérebro e na medula espinhal são afetadas resultando em perda progressiva da função muscular. Já na Doença de Parkinson, há uma degeneração das células produtoras de dopamina no cérebro, levando a problemas de coordenação motora e tremores. Portanto, a identificação precoce de marcadores é uma estratégia eficaz, Prats-Climent et al. mostram como a IA pode identificar pacientes com comprometimento cognitivo leve que eventualmente desenvolvem doenças neurodegenerativas. Isso permite intervenções precoces e tratamento personalizado.

O diagnóstico por imagem desempenha um papel fundamental na identificação e acompanhamento das doenças neurodegenerativas. Essas condições frequentemente envolvem alterações estruturais e funcionais no sistema nervoso, e a utilização de técnicas de imagem avançadas pode fornecer informações cruciais para um diagnóstico preciso e uma melhor compreensão da progressão da doença. O que é evidenciado pelo estudo de Popuri et al. que destaca a importância da validação independente de modelos de IA em grandes conjuntos de dados, o que aumenta a confiabilidade e a aplicabilidade clínica desses modelos.

Os principais métodos diagnósticos por imagem destacados neste estudo, como a ressonância nuclear magnética (RNM), tem sido uma ferramenta poderosa para visualizar estruturas cerebrais com grande detalhe. Ela pode detectar atrofia cerebral, lesões e outras anormalidades estruturais associadas a doenças como a doença de Alzheimer e a esclerose lateral amiotrófica (ELA), e está intrinsecamente associada aos algoritmos e ao aprendizado de máquinas.

A Tomografia por Emissão de Pósitrons (PET), é usado para avaliar a atividade metabólica e a distribuição de determinadas substâncias no cérebro. Isso pode ser útil no diagnóstico precoce da doença de Alzheimer, pois pode detectar acúmulo de placas beta-amiloide, uma característica dessa doença. Já a Tomografia Computadorizada (TC), pode ser usada para avaliar mudanças na estrutura cerebral e para excluir outras condições que podem estar causando sintomas semelhantes aos das doenças neurodegenerativas. Outra alternativa no diagnóstico por imagens, a Imagem por Ressonância Magnética Funcional (fMRI) permite avaliar a atividade cerebral em tempo real, o que pode ajudar a entender como as áreas do cérebro estão funcionando em pacientes com doenças neurodegenerativas.

O estudo de CHEUNG, Chau e TANG explora a aplicação de técnicas de radiômica e IA para diferenciar doenças neurodegenerativas com base em análise de imagens volumétricas. A radiômica é um campo emergente na ciência médica que se concentra na extração de informações contidas nas imagens radiológicas, indo além da representação visual convencional. Esse campo oferece suporte aos profissionais de saúde ao fornecer insights sobre o prognóstico de uma doença, a escolha do tratamento mais adequado e a avaliação da resposta ao tratamento. Em essência, a radiômica envolve a extração de dados mensuráveis das imagens radiológicas e sua incorporação em modelos preditivos abrangentes que abrangem diversas disciplinas, com o objetivo de auxiliar na gestão de pacientes. Em outras palavras, ela utiliza as informações presentes nas imagens para realizar uma análise abrangente e complexa, determinando quais pacientes podem se beneficiar de tratamentos específicos e até mesmo prever o desfecho favorável ou desfavorável de uma doença, o que contribui positivamente no desfecho frente ao diagnóstico das doenças neurodegenerativas.

O diagnóstico por imagem não apenas auxilia na confirmação de um diagnóstico, mas também pode ser fundamental para monitorar a progressão da doença ao longo do tempo e avaliar a eficácia de tratamentos. Além disso, avanços na tecnologia de imagem, como a utilização de marcadores específicos e técnicas de inteligência artificial, estão sendo explorados para melhorar a precisão diagnóstica e a compreensão dessas complexas doenças neurodegenerativas. No entanto, é importante destacar que o diagnóstico definitivo de muitas dessas condições ainda requer uma combinação de informações clínicas, testes de imagem e, em alguns casos, análises laboratoriais.

Em síntese, a IA está desempenhando um papel cada vez mais importante no diagnóstico, previsão e compreensão das doenças neurodegenerativas. Essas tecnologias têm o potencial de melhorar a detecção precoce, a diferenciação precisa das doenças e o acompanhamento da progressão, o que, por sua vez, pode levar a tratamentos mais eficazes e cuidados personalizados para os pacientes.

CONCLUSÃO

Diante das evidências apresentadas, fica claro que o uso do algoritmo da inteligência artificial no diagnóstico por imagem de doenças neurodegenerativas representa um avanço significativo na área da saúde. Essa abordagem oferece a promessa de identificação precoce, diferenciação precisa entre diferentes condições neurodegenerativas e uma base sólida para intervenções mais eficazes.

No entanto, é essencial reconhecer os desafios éticos e práticos associados à implementação dessas tecnologias, garantindo a qualidade dos dados, a interpretabilidade dos modelos e o respeito aos princípios éticos no uso de informações de pacientes. Com um equilíbrio adequado entre inovação e responsabilidade, a inteligência artificial tem o potencial de revolucionar o diagnóstico e o tratamento dessas condições, oferecendo uma nova esperança para pacientes e profissionais de saúde.

Em resumo, a pesquisa e os resultados apresentados revelam claramente o impacto transformador do uso de algoritmos de inteligência artificial no diagnóstico por imagem de doenças neurodegenerativas. A integração da neuroimagem com o aprendizado de máquina abre portas para a identificação precoce, diferenciação precisa entre condições, monitoramento da progressão da doença e até mesmo previsão de diagnósticos.

Essas descobertas têm o potencial de revolucionar a maneira como abordamos doenças neurodegenerativas, oferecendo novas esperanças para pacientes e profissionais de saúde. No entanto, é fundamental reconhecer os desafios associados à implementação dessas tecnologias, incluindo questões éticas, interpretabilidade dos modelos e garantia da qualidade dos dados. A implementação responsável é essencial para garantir que a inteligência artificial seja uma ferramenta valiosa e segura no campo da saúde.

A pesquisa aqui destacada demonstra que a inteligência artificial não é apenas uma ferramenta promissora, mas também uma aliada poderosa na luta contra doenças neurodegenerativas. A precisão e a eficácia dos modelos apresentados oferecem uma visão esperançosa para o diagnóstico precoce, tratamento adequado e acompanhamento mais eficaz dessas condições complexas. Com um equilíbrio cuidadoso entre inovação e responsabilidade, a inteligência artificial pode ajudar a melhorar significativamente a qualidade de vida das pessoas afetadas por essas doenças e contribuir para avanços significativos na área médica.

REFERÊNCIA

  1. SMITH, J. D., Awad, A., Barzilai, N., et al. Artificial Intelligence in Healthcare: Opportunities, Challenges, and the Future. Nature Medicine, v. 28, n. 1, p. 11-20, 2022.
  2. JONES, D., Awad, A., Barzilai, N., et al. The impact of artificial intelligence on the diagnosis and management of neurodegenerative diseases. Nature Reviews Neurology, v. 17, n. 11, p. 659-671, 2021
  3. BROWN, J., Silva, A., Souza, C., et al. Avaliação da eficácia e confiabilidade de algoritmos de aprendizado profundo para o diagnóstico e acompanhamento de doenças neurodegenerativas. Frontiers in Neurology, v. 14, p. 831666, 2023.
  4. GARCIA, J. R., et al. Inteligência artificial no diagnóstico e tratamento de doenças neurodegenerativas: uma revisão. Rev. Assoc. Med. Bras., v. 68, n. 1, p. 110-118, 2022.
  5. SILVA, A. L., et al. Aspectos éticos e sociais da inteligência artificial no diagnóstico e tratamento de doenças neurodegenerativas. J. Bras. Patol. Med. Lab., v. 60, n. 1, e2022002, 2022.
  6. Ahmadzadeh M, Christie GJ, Cosco TD, Arab A, Mansouri M, Wagner KR, DiPaola S, Moreno S. Neuroimaging and machine learning for studying the pathways from mild cognitive impairment to alzheimer’s disease: a systematic review. BMC Neurol. 2023 Aug 22;23(1):309. doi: 10.1186/s12883-023-03323-2. PMID: 37608251; PMCID: PMC10463866.
  7. Park SW, Yeo NY, Lee J, Lee SH, Byun J, Park DY, Yum S, Kim JK, Byeon G, Kim Y, Jang JW; Alzheimer’s Disease Neuroimaging Initiative. Machine learning application for classification of Alzheimer’s disease stages using 18F-flortaucipir positron emission tomography. Biomed Eng Online. 2023 Apr 29;22(1):40.
  8. Pérez-Millan A, Contador J, Juncà-Parella J, Bosch B, Borrell L, Tort-Merino A, Falgàs N, Borrego-Écija S, Bargalló N, Rami L, Balasa M, Lladó A, Sánchez-Valle R, Sala-Llonch R. Classifying Alzheimer’s disease and frontotemporal dementia using machine learning with cross-sectional and longitudinal magnetic resonance imaging data. Hum Brain Mapp. 2023 Apr 15;44(6):2234-2244.
  9. Pan D, Zeng A, Yang B, Lai G, Hu B, Song X, Jiang T; Alzheimer’s Disease Neuroimaging Initiative (ADNI). Deep Learning for Brain MRI Confirms Patterned Pathological Progression in Alzheimer’s Disease. Adv Sci (Weinh). 2023 Feb;10(6):e2204717.
  10. Caba B, Cafaro A, Lombard A, Arnold DL, Elliott C, Liu D, Jiang X, Gafson A, Fisher E, Belachew SM, Paragios N. Single-timepoint low-dimensional characterization and classification of acute versus chronic multiple sclerosis lesions using machine learning. Neuroimage. 2023 Jan;265:119787.
  11. Warren SL, Moustafa AA. Functional magnetic resonance imaging, deep learning, and Alzheimer’s disease: A systematic review. J Neuroimaging. 2023 Jan;33(1):5-18.
  12. Park YH, Suh JH, Kim YW, Kang DR, Shin J, Yang SN, Yoon SY. Machine learning based risk prediction for Parkinson’s disease with nationwide health screening data. Sci Rep. 2022 Nov 14;12(1):19499.
  13. Sarica A, Quattrone A, Quattrone A. Explainable machine learning with pairwise interactions for the classification of Parkinson’s disease and SWEDD from clinical and imaging features. Brain Imaging Behav. 2022 Oct;16(5):2188-2198.
  14. Jang JW, Kim J, Park SW, Kasani PH, Kim Y, Kim S, Kim SJ, Na DL, Moon SH, Seo SW, Seong JK. Machine learning-based automatic estimation of cortical atrophy using brain computed tomography images. Sci Rep. 2022 Aug 30;12(1):14740.
  15. Diogo VS, Ferreira HA, Prata D; Alzheimer’s Disease Neuroimaging Initiative. Early diagnosis of Alzheimer’s disease using machine learning: a multi-diagnostic, generalizable approach. Alzheimers Res Ther. 2022 Aug 3;14(1):107.
  16. Behler A, Müller HP, Del Tredici K, Braak H, Ludolph AC, Lulé D, Kassubek J. Multimodal in vivo staging in amyotrophic lateral sclerosis using artificial intelligence. Ann Clin Transl Neurol. 2022 Jul;9(7):1069-1079.
  17. Prats-Climent J, Gandia-Ferrero MT, Torres-Espallardo I, Álvarez-Sanchez L, Martínez-Sanchis B, Cháfer-Pericás C, Gómez-Rico I, Cerdá-Alberich L, Aparici-Robles F, Baquero-Toledo M, Rodríguez-Álvarez MJ, Martí-Bonmatí L. Artificial Intelligence on FDG PET Images Identifies Mild Cognitive Impairment Patients with Neurodegenerative Disease. J Med Syst. 2022 Jun 17;46(8):52.
  18. AlSaeed D, Omar SF. Brain MRI Analysis for Alzheimer’s Disease Diagnosis Using CNN-Based Feature Extraction and Machine Learning. Sensors (Basel). 2022 Apr 11;22(8):2911.
  19. Heising L, Angelopoulos S. Operationalising fairness in medical AI adoption: detection of early Alzheimer’s disease with 2D CNN. BMJ Health Care Inform. 2022 Apr;29(1):e100485.
  20. Beheshti I, Geddert N, Perron J, Gupta V, Albensi BC, Ko JH; Alzheimer’s Disease Neuroimaging Initiative. Monitoring Alzheimer’s Disease Progression in Mild Cognitive Impairment Stage Using Machine Learning-Based FDG-PET Classification Methods. J Alzheimers Dis. 2022;89(4):1493-1502.
  21. Jia H, Wang Y, Duan Y, Xiao H. Alzheimer’s Disease Classification Based on Image Transformation and Features Fusion. Comput Math Methods Med. 2021 Dec 28;2021:9624269.
  22. Agarwal D, Marques G, de la Torre-Díez I, Franco Martin MA, García Zapiraín B, Martín Rodríguez F. Transfer Learning for Alzheimer’s Disease through Neuroimaging Biomarkers: A Systematic Review. Sensors (Basel). 2021 Oct 31;21(21):7259.
  23. Bi X, Liu W, Liu H, Shang Q. Artificial Intelligence-based MRI Images for Brain in Prediction of Alzheimer’s Disease. J Healthc Eng. 2021 Oct 19;2021:8198552.
  24. Tang X, Liu J. Comparing different algorithms for the course of Alzheimer’s disease using machine learning. Ann Palliat Med. 2021 Sep;10(9):9715-9724.
  25. Vitale A, Villa R, Ugga L, Romeo V, Stanzione A, Cuocolo R. Artificial intelligence applied to neuroimaging data in Parkinsonian syndromes: Actuality and expectations. Math Biosci Eng. 2021 Feb 19;18(2):1753-1773..
  26. El-Sappagh S, Alonso JM, Islam SMR, Sultan AM, Kwak KS. A multilayer multimodal detection and prediction model based on explainable artificial intelligence for Alzheimer’s disease. Sci Rep. 2021 Jan 29;11(1):2660.
  27. Herzog NJ, Magoulas GD. Brain Asymmetry Detection and Machine Learning Classification for Diagnosis of Early Dementia. Sensors (Basel). 2021 Jan 24;21(3):778.
  28. Popuri K, Ma D, Wang L, Beg MF. Using machine learning to quantify structural MRI neurodegeneration patterns of Alzheimer’s disease into dementia score: Independent validation on 8,834 images from ADNI, AIBL, OASIS, and MIRIAD databases. Hum Brain Mapp. 2020 Oct 1;41(14):4127-4147.
  29. Myszczynska MA, Ojamies PN, Lacoste AMB, Neil D, Saffari A, Mead R, Hautbergue GM, Holbrook JD, Ferraiuolo L. Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nat Rev Neurol. 2020 Aug;16(8):440-456.
  30. Sheng J, Shao M, Zhang Q, Zhou R, Wang L, Xin Y. Alzheimer’s disease, mild cognitive impairment, and normal aging distinguished by multi-modal parcellation and machine learning. Sci Rep. 2020 Mar 25;10(1):5475.
  31. Li H, Habes M, Wolk DA, Fan Y; Alzheimer’s Disease Neuroimaging Initiative and the Australian Imaging Biomarkers and Lifestyle Study of Aging. A deep learning model for early prediction of Alzheimer’s disease dementia based on hippocampal magnetic resonance imaging data. Alzheimers Dement. 2019 Aug;15(8):1059-1070.
  32. Ezzati A, Zammit AR, Harvey DJ, Habeck C, Hall CB, Lipton RB; Alzheimer’s Disease Neuroimaging Initiative. Optimizing Machine Learning Methods to Improve Predictive Models of Alzheimer’s Disease. J Alzheimers Dis. 2019;71(3):1027-1036.
  33. Moscoso A, Silva-Rodríguez J, Aldrey JM, Cortés J, Fernández-Ferreiro A, Gómez-Lado N, Ruibal Á, Aguiar P; Alzheimer’s Disease Neuroimaging Initiative. Prediction of Alzheimer’s disease dementia with MRI beyond the short-term: Implications for the design of predictive models. Neuroimage Clin. 2019;23:101837.
  34. Kim JP, Kim J, Park YH, Park SB, Lee JS, Yoo S, Kim EJ, Kim HJ, Na DL, Brown JA, Lockhart SN, Seo SW, Seong JK. Machine learning based hierarchical classification of frontotemporal dementia and Alzheimer’s disease. Neuroimage Clin. 2019;23:101811.
  35. Basaia S, Agosta F, Wagner L, Canu E, Magnani G, Santangelo R, Filippi M; Alzheimer’s Disease Neuroimaging Initiative. Automated classification of Alzheimer’s disease and mild cognitive impairment using a single MRI and deep neural networks. Neuroimage Clin. 2019;21:101645..
  36. ZIYAD, Shabana R et al. Modelo de Inteligência Artificial para Detecção da Doença de Alzheimer com Rede Neural Convolucional para Imagens de Ressonância Magnética. J Alzheimers Dis, v. 93, n. 1, p. 235-245, 2023.
  37. BATTINENI, Gopi et al. Modelos de Inteligência Artificial no Diagnóstico de Distúrbios de Demência de Início Adulto: Uma Revisão. Bioengineering (Basel), v. 9, n. 8, 5 ago. 2022.
  38. NAKAJIMA, Kenichi et al. Diagnóstico da síndrome de Parkinson e doença de Lewy usando imagens de 123I-ioflupano e um modelo com características de imagem baseado em aprendizado de máquina. Ann Nucl Med, v. 36, n. 8, p. 765-776, ago. 2022.
  39. CHEUNG, Eva Y W; CHAU, Anson C M; TANG, Fuk Hay. Diferenciação de Doenças Neurodegenerativas com Base em Radiômica e Inteligência Artificial com Referência à Volumetria. Life (Basel), v. 12, n. 4, 31 mar. 2022.
  40. ETMINANI, Kobra et al. Um modelo de aprendizado profundo 3D para prever o diagnóstico de demência com corpos de Lewy, doença de Alzheimer e comprometimento cognitivo leve usando PET cerebral com 18F-FDG. Eur J Nucl Med Mol Imaging, v. 49, n. 2, p. 563-584, jan. 2022.
  41. Berson, E. R.; Aboian, M. S.; Malhotra, A.; Payabvash, S. M. (2023). Artificial intelligence for neuroimaging and musculoskeletal radiology: Overview of current commercial algorithms. Radiology, 290(1), 4-11.
  42. Tautan, A.; Ionescu, B.; Santarnecchi, E. (2021). Artificial intelligence in neurodegenerative diseases: A review of available tools with a focus on machine learning techniques. Artificial Intelligence in Medicine, 117, 102081. doi: 10.1016/j.artmed.2021.102081.
  43. F.; Oberhauser, J.; Wakhloo, D.; Mahajan, S. (2023). Decoding degeneration: the implementation of machine learning for clinical detection of neurodegenerative disorders. Journal of Neurological Sciences, 408, 117650. doi: 10.4103/1673-5374.355982.
  44. Zivadinov, R.; Dwyer, M. G. (2023). Spinning Gold out of Straw: Using Modern AI Methods to Create Sequences for Cortical and Juxtacortical Multiple Sclerosis Lesion Detection When Only Conventional Imaging Is Available. Radiology, 290(2), e223244
  45. Boyle, A. J.; Gaudet, V. C.; Black, S. E.; Vasdev, N.; Rosa-Neto, P.; Zukotynski, K. A. (2021). Artificial intelligence for molecular neuroimaging. Annals of Translational Medicine, 9(9), 822.
  46. Akbari, M. A.; Nourmohammadi, M. R.; Kharazi, A.; et al. Inteligência artificial em imagens de PET com FDG identifica pacientes com comprometimento cognitivo leve com doença neurodegenerativa. Journal of Medical Systems. 2022, 46, 52.
  47. Kharazi, A.; Akbari, M. A.; Nourmohammadi, M. R.; et al. Inteligência artificial para a detecção precoce da doença de Alzheimer: uma revisão sistemática. BMC Medical Informatics and Decision Making. 2022, 22, 100. dZhang, J.; Zhang, W.; Zhang, Q.; et al. Diagnóstico de doença de Alzheimer baseado em inteligência artificial usando neuroimagem multimodal: uma revisão. Frontiers in Aging Neuroscience. 2023, 15, 1216163.
  48. Zhang, J.; Zhang, W.; Zhang, Q.; et al. Diagnóstico de doença de Alzheimer baseado em inteligência artificial usando neuroimagem multimodal: desafios e direções futuras. Applied Sciences. 2023, 13, 8298.
  49. Cianchetti, I.; Ghisletta, P.; Rocchi, A.; et al. Inteligência artificial em doenças neurodegenerativas: uma revisão. Journal of Neurology. 2022, 301, 139-152.
  50. Tavares, L. A., Meira, M. C., & Amaral, S. F. do. (2020). Inteligência Artificial na Educação: Survey / Artificial Intelligence in Education: Survey. Brazilian Journal of Development6(7), 48699–48714.

¹Discente do curso de medicina – Universidade Federal do Acre
thiagotorres2000@outlook.com
²Discente do curso de medicina – Universidade Federal do Acre
jfreitasgump@gmail.com
³Discente do curso de medicina – Universidade Federal do Acre
gabrielap1010@hotmail.com
4Discente do curso de medicina – Universidade Federal do Acre
viniciusfgn@gmail.com
5Médico Clínico Geral – Programa mais médico pelo Brasil
gessikmarin@gmail.com
6Médico Clínico Geral – Programa mais médico pelo Brasil
faustomdmorel@gmail.com
7Discente do curso de Enfermagem – Universidade Federal do Acre
leticiafurtado1000@gmail.com
8Doutoranda em Saúde Coletiva – Universidade Fedetal do Acre
lydhiatorres@gmail.com
9Mestre em ciências Biológicas – Secretária Estadual da Educação
georgia.rafad@gmail.com
10Docente e Médico Clínico Geral – Universidade do Contestado
tawafontes@hotmail.com
¹¹Coordenadora e docente
Pós-doutorado em ciências morfológicas – Universidade Federal do Acre
carolina.soares@ufac.br