Classificação de imagens de ressonância funcional para auxílio ao diagnóstico de transtornos mentais com uso de redes convolucionais

Abstract

Introdução: A psicopatologia busca formas de definir critérios para os desvios da normalidade. A neuropsicologia contribuiu na investigação, eventualmente se utilizando do imageamento na busca por marcadores biológicos que possam colaborar no processo diagnóstico. Já há registros de associações de diferenciação anatômica em alguns cenários de transtornos mentais e problemas neurológicos. O imageamento funcional busca avançar nas descobertas, avaliando as respostas dos indivíduos com e sem diagnóstico clínico, a fim de caracterizar possíveis distinções. Este trabalho busca avaliar a classificação automática de imagens de ressonância magnética funcional, através do uso de redes convolucionais, quanto ao diagnóstico em esquizofrenia. Fundamentação teórica: Os transtornos esquizofrênicos fazem parte de um grupo de distúrbios mentais que não possui sintomas específicos. Desde a década de 1970, o imageamento anatômico do encéfalo tem colaborado com o diagnóstico ou sua exclusão para diversas doenças, dentre estas a esquizofrenia. O uso de aprendizagem de máquina tem semostrado útil na classificação de imagens de ressonância magnética. Por sua versatilidade, escalabilidade e poder de classificação, as redes neurais são a atual base do aprendizado profundo, com destaque para as convolucionais (CNN). A análise de padrão em multivoxel utiliza aprendizagem através de dados inseridos para treinamento e validação, sendo uma das abordagens para a avaliação de imagens de ressonância magnética funcional. Materiais e Métodos: Bases de dados disponíveis em Schizconnect.com e Open Neuro.com foram utilizadas como material de avaliação. As imagens de ressonância magnética funcional foram categorizadas pelas rotinas realizadas no exame (tasks). Rotinas de pré processamento segmentam estas imagens, estabelecendo uma sequência temporal associada a uma região do encéfalo (slice) e aos perfis de maior ativação neural. Redes convolucionais são treinadas a fim de encontrar os melhores parâmetros e definirem um modelo de predição. As predições são executas, com os melhores modelos treinados, e avaliadas suas métricas de desempenho. São comparados os resultados, relacionando o desempenho às tasks e as segmentações espaciais. Resultados e discussões: Foram encontradas métricas de desempenho de até 85% deacurácia para determinadas tasks e slices, com predição baseada em imagens não utilizadas nos treinamentos. Muitos dos modelos de bom desempenho não apresentam métricas de treinamento e validação como curvas de tendências claras de crescimento de acurácia e redução de ”perdas”, usualmente associadas ao aprendizado crescente. No modelo base, das 88 rotinas, 8 demostraram taxa de F1 score acima de 75% e, pelo menos, o mesmo valor de acurácia. O melhor desempenho após o processo de data augmentation foi semelhante ao modelo base não apresentando melhoria significativa nos demais modelos. Rotinas de tuning eventualmente encontraram modelos menores – em complexidade – com predição semelhante aos iniciais ou modelos maiores com métricas superiores. A validação cruzada (cross validation, CV) teve desempenho aquém dos treinamentos com conjuntos estáticos, mas ainda superior a 70% de acurácia em alguns dos cenários avaliados. Considerações: Algumas regiões do encéfalo e rotinas se destacam nos resultados considerados positivos. As segmentações realizadas aparentam ser adequadas para reduzir a necessidade de utilizar enormes volumes de dados gerados nos exames para a rotina de classificação. Convém avançar as pesquisas, pela inclusão de explicações sobre os dados utilizados pelos modelos (explainable artificial intelligence, X-AI), para apresentar maiores evidências sobre a qualidade das métricas na abordagem sugerida. São passíveis de serem avaliadas abordagens correlatas, com segmentação de sinais distintos de ativação. O baixo quantitativo de exemplos disponíveis nos bancos de imagens para exames de ressonância magnética funcional associados a transtornos mentais é um ponto limitante na pesquisa.