Previsão Precoce da Demência de Alzheimer Baseada em Imagens de Ressonância Magnética Hipocampal de Base e Medidas Cognitivas de Acompanhamento de 1 Ano Usando Redes Neurais Recorrentes Profundas

Marcadores biológicos, de imagem e neuropsicológicos multimodais demonstraram desempenho promissor para distinguir pacientes com doença de Alzheimer (DA) de idosos cognitivamente normais. Contudo, ainda é difícil prever precocemente quando e quais indivíduos com comprometimento cognitivo leve (CCL) irão converter-se em demência de DA. Informados por estudos de classificação de padrões que demonstraram que classificadores de padrões construídos com dados longitudinais poderiam alcançar melhor desempenho de classificação do que aqueles construídos com dados transversais, desenvolvemos um modelo de aprendizado profundo baseado em redes neurais recorrentes (RNNs) para aprender representações informativas e dinâmicas temporais de medidas cognitivas longitudinais de sujeitos individuais e combiná-las com imagens de ressonância magnética hipocampal de base para construir um modelo prognóstico da progressão da demência de DA. Resultados experimentais em uma grande coorte de sujeitos com CCL demonstraram que o modelo de aprendizado profundo poderia aprender medidas informativas a partir de dados longitudinais para caracterizar a progressão de sujeitos com CCL para demência de DA, e o modelo prognóstico poderia prever precocemente a progressão da DA com alta precisão.