Estrutura de aprendizado profundo multi-fluxo integrando imagens e representações de características para prever comprometimento cognitivo leve usando o Teste da Figura Complexa de Rey

Por que desenhar pode revelar problemas de memória ocultos

À medida que as pessoas vivem mais tempo, muitos se preocupam com lapsos sutis de memória e se eles podem sinalizar os estágios iniciais da demência. Os médicos há muito utilizam testes simples de desenho em papel e lápis para avaliar pensamento e memória, porque são rápidos, de baixo custo e fáceis de aplicar em qualquer clínica. Este estudo mostra como a inteligência artificial moderna pode extrair muito mais informação de um teste clássico de desenho, transformando-o em uma ferramenta de alerta precoce poderosa para o comprometimento cognitivo leve, uma condição que frequentemente precede a demência.

Uma figura clássica com novos olhos digitais

Uma tarefa de desenho amplamente usada é o Teste da Figura Complexa de Rey. Primeiro, pede-se que a pessoa copie um desenho abstrato e detalhado e, mais tarde, que o desenhe novamente de memória. Tradicionalmente, especialistas pontuam cada desenho em uma escala de 36 pontos, avaliando quão precisamente diferentes partes são posicionadas e moldadas. Essas pontuações oferecem um retrato útil das habilidades visuoespaciais e da memória visual, mas inevitavelmente ignoram muitas características sutis do desenho. Os autores deste artigo propuseram construir um sistema automatizado capaz de analisar a imagem inteira, combiná-la com a pontuação habitual e informações básicas de contexto, como idade, sexo e anos de escolaridade, e então decidir se alguém provavelmente apresenta comprometimento cognitivo leve.

Duplas de caminhos para ler um desenho

Os pesquisadores projetaram um modelo de aprendizado profundo “de dois fluxos” que processa os desenhos de cada pessoa de duas maneiras diferentes simultaneamente. No primeiro caminho, chamado fluxo espacial, as imagens digitalizadas brutas de três desenhos (a cópia, a recordação imediata e a recordação tardia) são alimentadas em uma rede de reconhecimento de imagens. Essa rede, baseada em uma arquitetura conhecida como EfficientNet, aprende automaticamente características visuais como formas, espessura das linhas e estilo de desenho. Um módulo especial de atenção então ajuda o sistema a focar mais nas regiões do desenho que são mais informativas. No segundo caminho, chamado fluxo de pontuação, o modelo recebe as pontuações usuais do teste de Rey—geradas automaticamente por uma rede de pontuação previamente treinada—junto com a idade, o sexo e a escolaridade da pessoa. Esses números estruturados são combinados por meio de uma rede de predição mais simples. Por fim, as saídas dos dois fluxos são combinadas por média para produzir uma única probabilidade de que a pessoa tenha comprometimento cognitivo leve em vez de cognição normal.

Aprendendo com muitos idosos

Para treinar e testar seu sistema, a equipe usou desenhos de 1.740 idosos de uma grande coorte de pesquisa coreana, cerca de metade com cognição normal e metade com comprometimento cognitivo leve. Eles dividiram repetidamente esse conjunto de dados em conjuntos de treinamento, validação e teste para ajustar o modelo e proteger contra sobreajuste. De forma crucial, também avaliaram o desempenho em um grupo independente de 222 pacientes de um hospital diferente. Antes de construir modelos de predição nesse conjunto externo, usaram sua ferramenta de pontuação automatizada para verificar grandes discrepâncias entre as pontuações da máquina e as humanas; nos casos com grandes divergências, especialistas reavaliaram e corrigiram suas pontuações. Essa etapa de controle de qualidade melhorou o acordo entre as pontuações humanas e as da IA, estreitando a ligação entre avaliações manuais e automatizadas.

Quão bem o sistema detecta comprometimento precoce

Os pesquisadores compararam seu modelo de dois fluxos com várias alternativas: modelos estatísticos simples usando um teste breve comum de cognição geral, modelos utilizando apenas pontuações humanas do Rey, modelos usando somente pontuações do Rey geradas por IA e um modelo de aprendizado profundo que analisava apenas as imagens sem o fluxo de pontuação. Em repetidas avaliações dentro da coorte principal e no grupo externo do hospital, o sistema combinado de dois fluxos consistentemente se saiu melhor. No teste externo, alcançou uma área sob a curva ROC de 0,872 e uma acurácia geral de cerca de 78% , superando tanto modelos tradicionais baseados em pontuação quanto a rede profunda que usava apenas imagens. Esses ganhos sugerem que a mistura de detalhes visuais ricos e informações estruturadas de pontuação fornece um retrato mais estável e confiável das mudanças cognitivas precoces.

O que isso pode significar para clínicas do dia a dia

Do ponto de vista do paciente, nada no teste precisa mudar: ainda se sentam com lápis e papel e copiam uma figura complexa. Nos bastidores, no entanto, um scanner e o sistema de IA agora podem avaliar os desenhos em segundos, gerar pontuações padronizadas e estimar o risco da pessoa de comprometimento cognitivo leve com mais precisão do que muitas ferramentas rápidas de triagem existentes. Como requer apenas um teste familiar e informações de rotina, o método poderia ser inserido em centros de check-up movimentados sem grandes interrupções. Embora o estudo tenha se concentrado em participantes coreanos e usado apenas imagens estáticas, a abordagem aponta para um futuro em que desenhos simples, interpretados por software inteligente, ajudam a sinalizar problemas cognitivos sutis cedo o suficiente para intervenções significativas.

Citação: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Palavras-chave: comprometimento cognitivo leve, Teste da Figura Complexa de Rey, triagem por aprendizado profundo, avaliação cognitiva, prevenção da demência