INTELIGÊNCIA ARTIFICIAL PARA DETECTAR ALZHEIMER EM RESSONÂNCIAS MAGNÉTICAS

Inteligência Artificial para detectar Alzheimer em ressonâncias magnéticas

Vinicius de Sousa 1, Leticia Bin 2, Luzcena de Barros (Orientador), Ana Bondioli (Co-orientador)

Centro Universitário Eniac, Guarulhos - SP

Resumo  

Este trabalho foi projetado para auxiliar médicos a diagnosticar a doença de Alzheimer (DA). A proposta consiste na criação de uma inteligência artificial capaz de compreender e analisar ressonâncias magnéticas e dizer se a ressonância apresentada é de um paciente saudável ou de um portador de DA. Através de gráficos baseados na probabilidade da resposta obtida o usuário do programa saberá a resposta correta com precisão e detalhes. O classificador de ressonâncias foi construído utilizando a API Google TensorFlow na máquina virtual Git Bash, emulando o sistema operacional Linux, com dados analíticos do algoritmo mobile-net. Foi treinado a partir do processo de Machine Learning utilizando ressonâncias magnéticas de pacientes portadores de DA e saudáveis. O projeto almeja diagnosticar a doença antes mesmo dos sintomas aparecerem. Assim, os médicos poderão descobrir um diagnóstico com mais facilidade, além de preparar o paciente e sua família de sua futura situação. Os resultados dos testes comprovam a viabilidade do sistema, uma vez que atingiu apenas 9,21% de erro, superando especialistas em Alzheimer.

Palavras-chave: Alzheimer; IA; Diagnóstico ; RMN;

Abstract

This work is designed to assist doctors in diagnosing Alzheimer's disease (AD). The proposal consists in the creation of an artificial intelligence, a study and a series of tests, and a solution for the submission of a human being or an AD holder. Through graphs based on the probability of the response obtained from the program User know the correct answer with precision and details. The resonance classifier was built using a Google TensorFlow API on the Git Bash virtual machine, emulating the Linux operating system, with analytical data from the mobile-net algorithm. It was prepared for the Machine Learning process, using magnetic resonance imaging of patients with AD and healthy. The project aims to diagnose the disease before them. Thus, medication is easier, in addition to preparing the patient and his family for their future situation. The results of the tests prove a viability of the system, since it activates only 9.21% of error, beating experts in Alzheimer's.

Keywords: Alzheimer; AI; Diagnosis; MRI;

1. FUNDAMENTAÇÃO

1. Mal de Alzheimer e exames de neuroimagem

A Doença de Alzheimer (DA) caracteriza-se, histopatologicamente, pela demasiada morte dos neurônios e pela perda sináptica nas regiões cognitivas do cérebro, incluindo o córtex cerebral, responsável pelos sentidos e raciocínio; o hipocampo, responsável pelas emoções relacionadas à memória de longo prazo;  o córtex entorrinal, responsável pelo senso de direção; e o estriado ventral, responsável pelo aprendizado e pela motivação. Comumente, a DA é associada à pessoas idosas, dado que 10% dos indivíduos com idade superior a 65 anos e 40% acima de 80 anos são portadores da Doença. Esses índices culminam com o crescimento da taxa de idosos no mundo, uma vez que estima-se que em 2050, 25% da população será idosa (MACHADO, 1974; SELKOE, 2001; SERENIKI).

Um dos fatores mais agravantes para a doença é seu difícil diagnóstico, uma vez que o diagnóstico definitivo só é possível post-mortem e enquanto em vida são apenas especulativos, ou seja, baseados em probabilidades e exclusões de outras doenças semelhantes. Por conseguinte, mesmo os especialistas em Alzheimer têm uma média de erro de 10%. (ENGELHARDT et al., 2011; SAYEG, 2011).

A neuroimagem estrutural do cérebro, até pouco tempo atrás, só era utilizada como “critério de exclusão” para lesões intracerebrais, como hidrocefalia, tumores e outros. Porém nos últimos anos, estudos demonstraram que exames de neuroimagem também podem ser critérios específicos para identificar doenças neurodegenerativas. Atualmente, através da ressonância magnética, é possível identificar a atrofia hipocampal como marcador precoce e sensível da DA, no entanto ainda não há um critério definitivo para o diagnóstico.

 B.    Marcadores precoces da Doença de Alzheimer

O Hipocampo é uma estrutura muito importante no cérebro humano, ele é um dos maiores responsáveis pela memória retrógrada e pela orientação espacial. Ele é encontrado em pares, localizados nos lados esquerdo e direito do cérebro no sistema límbico. Um Hipocampo saudável, em geral, é muito parecido com um Cavalo Marinho, cujo nome científico é Hippocampus, e por isso recebeu esse nome. (CARVALHO, 2010).

Uma das primeiras e mais afetadas áreas do cérebro de um paciente com Alzheimer é o Hipocampo, por isso sua memória de longo prazo é severamente afetada. Muitas vezes o paciente com Alzheimer tem anos ou até mesmo décadas completamente “apagadas” de suas memórias. Assim, se torna mais visível e até mesmo, um marcador precoce da DA, uma vez que a atrofia hipocampal está associada a fase de comprometimento cognitivo leve (CCL).

Por mais que o Hipocampo seja o maior e mais aparente marcador da DA, existem outros dois marcadores muito importantes no diagnóstico da DA. A redução volumétrica do córtex entorrinal e do cíngulo posterior, que podem também indicar CCL, que por sua vez pode evoluir para DA.

        C.    Inteligência Artificial e Deep Learning na medicina

O homem têm uma habilidade única de raciocínio, e desde os tempos mais remotos ele tenta entender o seu funcionamento. Porém a inteligência artificial vai além desse entendimento, o estudo dela, também busca uma forma de construir entidades inteligentes como nós ou até melhores.

O Deep Learning é uma subárea do estudo da inteligência artificial cuja finalidade é aprofundar o aprendizado de uma máquina, ou seja, um tipo de máquina com capacidade de aprender e identificar padrões que os humanos têm pouca ou nenhuma compreensão. Portanto, em uma área como a Medicina, que tem diversas complexidades, o Deep Learning é um grande aliado.

O TensorFlow é a biblioteca de código aberto, que está sendo utilizada para desenvolver este projeto, e a mesma foi elaborada pela Google, destinada a inteligência artificial, todo o projeto da criação do TensorFlow ocorreu através de estudos de redes neurais, como o DistBielf, e  o mesmo é a base de código utilizada pelos serviços da Google, tais como o Google Tradutor e Google Fotos. O que permite que a máquina aprenda com ações e ampliem sua capacidade de decisões é o sistema de “machine learning” em que a biblioteca está baseada. Tornar o TensorFlow uma biblioteca de código aberto, contribui ao desenvolvimento da tecnologia, pois apesar da área de inteligência artificial crescer rapidamente, ela carece de ferramentas padronizadas e a Google espera tornar o TensorFlow um padrão aberto no ramo da inteligência artificial.(HOLMES, 2015).