Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
ACCIOLY, Alicia Rafaela Martinez |
| Orientador(a): |
DINIZ, Paula Rejane Beserra |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso embargado |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Neuropsiquiatria e Ciencia do Comportamento
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/46917
|
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. Inicialmente aplicada à oncologia, tem potencial no campo das doenças neurodegenerativas, na forma de predições diagnósticas e descoberta de biomarcadores. O objetivo deste trabalho 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 doença de Parkinson de início precoce e 22 controles, obtidos do Parkinson’s Progression Markers Initiative. A partir sequência ponderada em T1, foi feita segmentação automática do neoestriado e extraídas 108 características radiômicas semânticas, de primeira e de 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 k-fold 10, 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. Dentre os modelos testados, a Floresta Aleatória destacou-se com melhor desempenho, obtendo 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 ressonância magnética do neoestriado. |
