Resumo:
Pesquisas recentes mostram que a aprendizagem profunda pode usar sinais de EEG (eletroencefalograma) para diferenciar a doença de Alzheimer de demências frontotemporais com alta precisão. Analisando tanto o tempo quanto a frequência da atividade cerebral, o modelo descobriu padrões distintos: uma interrupção ampla em várias regiões no Alzheimer e mudanças mais localizadas nas demências frontotemporais.
Esse sistema também estimou a gravidade da doença, fornecendo aos médicos uma visão mais rápida do que as ferramentas tradicionais. Esses achados sugerem que a tecnologia EEG acessível, combinada com a inteligência artificial avançada, pode agilizar diagnósticos e personalizar o atendimento para pessoas com declínio cognitivo.
Fatos Chave
-
Marcadores de EEG: Ondas delta lentas nas áreas frontal e central indicaram a doença em ambas as condições.
-
Padrões Distintos: O Alzheimer apresentou uma grande interrupção, enquanto a demência frontotemporal apresentou mudanças mais localizadas.
-
Alta Precisão: Um sistema em duas etapas de aprendizagem profunda atingiu 84% de precisão na separação dos dois distúrbios.
A demência é um grupo de doenças que afetam gradualmente a memória, o raciocínio e as funções do dia a dia. A doença de Alzheimer (DA) é a forma mais comum de demência, afetando cerca de 7,2 milhões de americanos com 65 anos ou mais em 2025. Já a demência frontotemporal (DFT), embora mais rara, é a segunda causa mais comum de demência precocemente, muitas vezes atingindo pessoas nos 40 aos 60 anos.
Embora ambas as doenças danifiquem o cérebro, elas o fazem de maneiras diferentes. A DA afeta principalmente a memória e a percepção espacial, enquanto a DFT ataca regiões responsáveis pelo comportamento, pela personalidade e pela linguagem. Devido à sobreposição de sintomas, muitas vezes ocorre erro no diagnóstico. Distinguir entre elas é uma necessidade clínica, pois o diagnóstico correto pode influenciar profundamente o tratamento, a assistência e a qualidade de vida.
Os exames de ressonância magnética (MRI) e tomografia por emissão de pósitrons (PET) são eficazes para o diagnóstico da DA, mas são caros, demorados e exigem equipamentos especializados. A eletroencefalografia (EEG) oferece uma alternativa portátil, não invasiva e acessível, medindo a atividade cerebral com sensores em várias faixas de frequência.
No entanto, os sinais costumam ser ruidosos e variam entre os indivíduos, tornando a análise difícil. Mesmo com a aplicação de aprendizado de máquina aos dados do EEG, os resultados são inconsistentes, e a diferenciação entre DA e DFT continua complicada. Para resolver esse problema, pesquisadores da Universidade da Flórida Atlantic desenvolveram um modelo de aprendizado profundo que detecta e avalia a DA e a DFT.
Esse modelo melhora a precisão e a interpretabilidade do EEG, analisando padrões de atividade cerebral tanto em frequência quanto em tempo, associados a cada doença. Os resultados, publicados em um periódico científico, indicaram que ondas cerebrais delta lentas foram um importante biomarcador para ambas as condições, principalmente nas regiões frontal e central do cérebro.
No caso da DA, a atividade cerebral estava mais amplamente interrompida, afetando também outras regiões e faixas de frequência como a beta, indicando um dano cerebral mais extenso. Essas diferenças ajudam a explicar por que a DA é tipicamente mais fácil de detectar do que a DFT.
O modelo alcançou mais de 90% de precisão ao distinguir indivíduos com demência (DA ou DFT) de participantes cognitivamente normais. Ele também previu a gravidade da doença com erros relativos de menos de 35% para a DA e 15,5% para a DFT.
Devido à similaridade entre os sintomas e a atividade cerebral das duas doenças, diferenciá-las era desafiador. Usando seleção de características, os pesquisadores melhoraram a especificidade do modelo – a capacidade de identificar corretamente pessoas sem a doença – de 26% para 65%.
O design de duas etapas do modelo – primeiro detectando indivíduos saudáveis e depois separando DA da DFT – alcançou 84% de precisão, o que a coloca entre os melhores métodos baseados em EEG até agora. O modelo combina redes neurais convolucionais e LSTMs baseadas em atenção para detectar tanto o tipo quanto a gravidade da demência a partir dos dados do EEG. O Grad-CAM mostra quais sinais cerebrais influenciaram o modelo, ajudando os médicos a entender suas decisões.
Essa abordagem oferece uma nova perspectiva sobre como a atividade cerebral evolui e quais regiões e frequências influenciam o diagnóstico – algo que as ferramentas tradicionais raramente capturam. “O que torna nosso estudo inovador é como usamos a aprendizagem profunda para extrair informações espaciais e temporais dos sinais de EEG”, comentou um dos pesquisadores.
Os achados também revelaram que a DA tende a ser mais severa, afetando uma gama mais ampla de áreas cerebrais e levando a pontuações cognitivas mais baixas. Em contrapartida, os efeitos da DFT são mais localizados nas lobos frontal e temporal. Esses insights estão alinhados com estudos neuroimagens anteriores, mas acrescentam novas profundidades ao mostrar como esses padrões aparecem em dados de EEG, uma ferramenta de diagnóstico acessível e não invasiva.
“Os resultados mostram que a doença de Alzheimer interrompe a atividade cerebral de forma mais ampla, especialmente nas regiões frontal, parietal e temporal, enquanto a demência frontotemporal afeta principalmente as áreas frontal e central”, afirmou um dos co-autores do estudo. “Essa diferença explica por que o Alzheimer é frequentemente mais fácil de detectar. Contudo, nosso trabalho também mostra que uma cuidadosa seleção de características pode melhorar significativamente a distinção entre a DFT e o Alzheimer”.
Em resumo, o estudo indica que a aprendizagem profunda pode agilizar o diagnóstico de demência ao combinar a detecção e a avaliação da gravidade em um único sistema, reduzindo os longos períodos de avaliação e oferecendo ferramentas em tempo real para os médicos acompanharem a progressão da doença.
“Este trabalho demonstra como a união de engenharia, IA e neurociência pode transformar a forma como enfrentamos grandes desafios de saúde”, conclui outro pesquisador envolvido no projeto. “Com milhões afetados pela doença de Alzheimer e demência frontotemporal, avanços como este abrem caminho para uma detecção mais precoce, cuidados mais personalizados e intervenções que podem realmente melhorar vidas”.
Perguntas Frequentes
P: O que dificulta o diagnóstico da doença de Alzheimer e da demência frontotemporal?
R: Os sintomas e assinaturas de EEG frequentemente se sobrepõem, levando a diagnósticos errôneos sem imagem especializada.
P: Como o modelo melhora a detecção baseada em EEG?
R: Analisa simultaneamente características espaciais e temporais, revelando diferenças sutis nas ondas cerebrais que são perdidas por métodos padrão.
P: O sistema também mede a gravidade da doença de Alzheimer?
R: Sim — ele estima níveis de gravidade para ambas as condições, ajudando os médicos a acompanhar a progressão de forma mais eficaz.