Técnicas Estatísticas para Neuroimagem

Este projeto está relacionado com todos os temas do meu Doutorado em Neurociências e Psicologia Clínica, uma tese com um claro enfoque para a bioestatística aplicada à neurociência. Para este projeto, estou interessado na aplicação de novas técnicas estatísticas para o diagnóstico de doenças neurodegenerativas (i.e., doença de Alzheimer). Com este objetivo, analiso dados de neuroimagem obtidos da Tomografia por Emissão de Pósitrons (PET) em pacientes de grupos controle e patológicos. Até o momento, a prática clínica diária se baseia na aplicação de softwares como o Mapeamento Paramétrico Estatístico (SPM) do Matlab, que realiza o pré-processamento dos dados de PET e uma análise estatística bastante básica que resulta em uma exibição de voxels (i.e., neste contexto, voxel = pixel) que estão sendo ativados, e os que não estão.

Em termos biomédicos, essa imagem ou Mapa Paramétrico Estatístico mostra quais áreas do cérebro do paciente estão ativas - e em que grau - e quais estão inativas ou apresentando um padrão de ativação menor, significando que mais neurônios estão mortos naquela região. Usando o SPM, podemos observar quais regiões do cérebro têm valores de ativação significativamente mais baixos. A informação obtida ao comparar a imagem PET de um único participante com os padrões PET padrão de pacientes saudáveis (além da experiência dos médicos que analisam visualmente estas imagens) é a base para o diagnóstico de Alzheimer na prática clínica diária.

O SPM tem muitas ferramentas poderosas, porém, o que estou atualmente desenvolvendo é a implementação de métodos estatísticos mais avançados (como modelos GAM ou metodologias de dados funcionais) que não são oferecidos no SPM sem negligenciar o uso das ferramentas refinadas de processamento de neuroimagem que ele contém. Com isso em mente, processei um lote de arquivos PET de teste e então procedi à análise estatística trabalhando com R - em vez de SPM ou Matlab - focando no desenvolvimento de modelos GAM e análise funcional para estimar e entender esses padrões de atividade neural.

O objetivo principal do meu projeto de pesquisa é implementar essas técnicas estatísticas para melhorar as imagens usadas para o diagnóstico de Alzheimer, concretamente, o processo de identificar um único paciente como saudável ou doente no estágio mais precoce possível do desenvolvimento da doença. Isso não é tão trivial quanto parece, pois a literatura científica mais recente mostra que a doença de Alzheimer começa a se desenvolver até vinte anos antes do seu diagnóstico. Finalmente, quando chega esse diagnóstico, os recursos de plasticidade neural estão completamente consumidos e a doença está tão avançada que os médicos só podem prescrever tratamentos paliativos sem esperança de até mesmo a menor recuperação. Este problema é ainda mais preocupante, pois o número de casos deve continuar a crescer na ordem dos milhões devido ao aumento da expectativa de vida em todo o mundo.

Por esta razão, o diagnóstico precoce de tais doenças neurodegenerativas é considerado um dos principais desafios para a ciência médica neste século, e as técnicas de aprendizado de máquina certamente terão um impacto importante em como abordamos este problema. Por essas razões, também estou interessado em integrar técnicas de aprendizado de máquina neste projeto de pesquisa, pois parece ser um campo vasto com muito potencial.