Conetividade neuronal: novos biomarcadores de disfunção neuronal

Tese de mestrado integrado em Engenharia Biomédica e Biofísica (Sinais e Imagens Médicas)Universidade de Lisboa, Faculdade de Ciências, 2018A aplicação de modelos de conetividade neuronal em classificação automática no diagnóstico de doenças neurológicas é um tema que tem vindo a ser trabalhado na última década, havendo provas dadas no diagnóstico de patologias como o Alzheimer, Esquizofrenia e Depressão. Nestas patologias verificam-se disrupções ou mesmo aumentos de conectividade relativamente à população normal. Atendendo à diversidade de classificadores e de métodos de avaliação de conetividade, são várias as metodologias possíveis na implementação destes classificadores, que desde logo, poderão variar de doença para doença. Neste trabalho o foco incidiu sobre o diagnóstico de Alzheimer com imagens fMRI, adquiridas em contexto task-based, com estimulação visual. As imagens fMRI foram sujeitas a um pré-processamento de várias etapas, que no final permitiu obter modelos lineares gerais que expressam a atividade cerebral em função dos estímulos visuais aplicados. Com base nestes modelos computaram-se sinais BOLD para um conjunto de 90 ROIs do cérebro do atlas AAL, que permitiram obter matrizes de conetividade funcional para cada um dos sujeitos, cujas entradas são as features usadas nos algoritmos de classificação automática. Foram testados três classificadores distintos (máquinas de suporte vetorial, árvores de decisão e ensembles de árvores de decisão bagged), assim como uma dúzia de métricas pertencentes a quatro famílias distintas (coeficiente de correlação linear, coeficiente de correlação não linear, informação mútua e transferência de entropia). A associação de métricas em pares e em grupos de quatro, através da concatenação de matrizes de conetividade de métricas individuais foi também explorada no sentido de construir classificadores com melhor performance. Foi também avaliado o efeito do tipo de tarefa (estímulo visual) sobre a performance da classificação. A performance dos classificadores revelou ser bastante sensível relativamente ao tipo de métrica, mas também ao tipo de estímulo visual, tendo alcançado o valor máximo de 91% (em termos de precisão), sendo que cada um dos classificadores comportou-se de maneira distinta a fatores como a associação de métricas ou a seleção de features.The use of neuronal connectivity models in machine learning applied to neuronal disease diagnosis has been explored during the last decade, with good results already, in the diagnosis of diseases such as Alzheimer, Schizophrenia and Depression. In these diseases are observed disruptions or even increases in brain connectivity relative to healthy individuals. Given the diversity of classifiers and connectivity measures, several ways of implementing these classifiers exist, which may differ from disease to disease. In this work focus was given to diagnosis of Alzheimer, based on fMRI, acquired in task-based experiments with visual stimulation. The fMRI images were subjected to a pre-processing of several stages, which were used to obtain general linear models that model the brain activity as a function of the applied visual stimulus. Based on these models, BOLD signals were computed for a total of 90 ROIs of the brain, belonging to the AAL atlas, which allowed the computation of functional connectivity matrices for each one of the individuals, whose entries are the features used in the machine learning algorithms. Three types of classifiers were tested (Support vector machines, Decision trees and Bagged Ensembles of decision trees) so as a dozen of metrics belonging to four different families (Pearson correlation coefficient, non-linear correlation coefficient, mutual information and entropy transfer). The association of metrics in pairs and groups of four, by concatenation of connectivity matrices of individual metrics, was also explored, with the intent of designing classifiers with a better performance. The effect of the type of task (visual stimulus) in the classifiers performance was also accessed. Performance of the tested classifiers proved to be sensitive regarding the metric type, so as to the task type, reaching a maximum of 91% (accuracy). Each of the classifiers behaved differently to factors such as the association of metrics or features selection