Dados do Trabalho

Título

Estimativa da Idade Cerebral por meio de Machine Learning e rs-fMRI

Descrição sucinta do(s) objetivo(s)

O envelhecimento do cérebro humano é um processo complexo, que abrange modificações morfológicas e funcionais, incluindo alterações na conectividade cerebral. Vale ressaltar que, não somente o desenvolvimento da idade cronológica como também fatores cognitivos, emocionais e psicológicos, podem estar associados a essas transformações. Algumas metodologias, tais como a ressonância magnética funcional em estado de repouso (rs-fMRI), oferecem avaliações da conectividade cerebral, permitindo a identificação de modificações no funcionamento do cérebro. Assim, a utilização de rs-fMRI e machine learning (ML) na estimativa da idade cerebral, considerando sua potencial relevância como biomarcador em saúde, pode ser uma importante estratégia para a evolução da medicina personalizada. O objetivo central do estudo é estimar a idade cronológica a partir de imagens de rs-fMRI e algoritmos de machine learning.

Material(is) e método(s)

Utilizando um conjunto de dados abertos pré-processados intitulado "MRI data of 3-12 year old children and adults during viewing of a short animated film", e o atlas BN246 de 1mm, foram elaborados modelos de machine learning para realizar a regressão da idade cerebral. Isso foi alcançado através da correlação das séries temporais do sinal BOLD em várias regiões dos cérebros dos participantes. A implementação do algoritmo foi realizada em Python, utilizando as bibliotecas nilearn e scikit-learn.
O conjunto de dados foi composto por 155 sujeitos, distribuídos em 80% para treinamento/validação e 20% para teste. Dentre os modelos desenvolvidos, incluíram-se regressão linear, support vector regression com kernel linear e função base radial, Ridge, além de um modelo que combinou essas abordagens.

Resultados e discussão

O regressor por empilhamento, em média, apresentou a melhor performance considerando a métrica de coeficiente de determinação, tanto no 10x10 cross-validation (0,74 ± 0,019), quanto no conjunto de teste (0,81 ± 0,043). Entretanto, não houve diferença significativa entre este regressor e os algoritmos de regressão linear (cross-validation: p=0,506, teste: p=0,943) e ridge (cross-validation: p=0,506, teste: p=0,943).

Conclusões

A aplicação de conectividade funcional baseada em rs-fMRI para estimar a idade cerebral, nas condições experimentais destacadas, mostra-se promissora, considerando seu potencial como biomarcador em saúde.

Palavras Chave

Aprendizado de Máquina; Imagem por Ressonância Magnética; Predição da Idade Cerebral

Arquivos