Banca de DEFESA: ALICIA RAFAELA MARTINEZ ACCIOLY

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ALICIA RAFAELA MARTINEZ ACCIOLY
DATA : 19/09/2022
HORA: 14:00
LOCAL: Posneuro
TÍTULO:

APLICAÇÃO DO APRENDIZADO DE MÁQUINA EM IMAGENS DE RESSONÂNCIA MAGNÉTICA DO NEOESTRIADO PARA O DIAGNÓSTICO DA DOENÇA DE PARKINSON EM FASE PRECOCE

PALAVRAS-CHAVES:

Imagem por ressonância magnética; doença de Parkinson; neostriado; aprendizado de máquina.

PÁGINAS: 115
RESUMO:

Até o momento, o diagnóstico da doença de Parkinson in vivo é clínico e tardio no
processo neurodegenerativo. É resultado da morte de neurônios na pars compacta da
substância negra, os quais projetam terminais axonais para neoestriado, região do
telencéfalo onde pesquisas recentes têm mostrado que as alterações ocorram mais
precocemente. A inteligência artificial, por meio da radiômica, mostra-se como um
caminho promissor na medicina. Já aplicadas à oncologia, tem potencial no campo
das doenças neurodegenerativas, na forma de predições diagnósticas e descoberta
de biomarcadores. O objetivo consistiu em desenvolver modelos de predição
diagnóstica baseados em aprendizado de máquina a partir de características
radiômicas extraídas de imagem de ressonância magnética do neoestriado em
indivíduos na fase precoce da doença de Parkinson. Conduziu-se um estudo
retrospectivo, caso-controle, com amostra de 70 indivíduos com DP de início precoce
e 22 controles, extraída do Parkinson’s Progression Markers Initiative. A partir de
ressonância magnética ponderada em T1, foi feita segmentação automática do
neoestriado e extraídas 108 características radiômicas semânticas, de primeira e
segunda ordem. Foram testados 11 algoritmos de aprendizado de máquina e os
quatro melhores foram usados para desenvolver modelos de classificação, usando a
técnica de validação cruzada 10-fold, a partir dos dados balanceados, normalizados e
reduzidos por meio da análise de componentes principais. As métricas para avaliar os
desempenhos foram acurácia, sensibilidade, especificidade e área sob a curva ROC.
Dos resultados, a Máquina de Suporte de Vetores, Análise Discriminante Quadrática,
Regressão Logística, e Floresta Aleatória foram os modelos com melhores
desempenhos, destacando-se este último com acurácia de 84,8%, sensibilidade
76,4%, especificidade 92,9% e AUC 84,7%. Conclui-se que o diagnóstico por
aprendizado de máquina apresentou boa performance na detecção da doença de
Parkinson em fase precoce a partir de características radiômicas de RM do
neoestriado.

MEMBROS DA BANCA:
Externo ao Programa - 1293496 - MARIO LUCIANO DE MELO SILVA JUNIOR
Externo à Instituição - MICHEL MOZINHO DOS SANTOS
Presidente - 1461329 - SANDRA LOPES DE SOUZA