Avaliação de modelos de aprendizado profundo para segmentação de volumes do hipocampo em imagens de ressonância magnética na doença de Alzheimer

Por que esta pesquisa importa para as famílias

A doença de Alzheimer corrói a memória e a independência de forma gradual, muitas vezes muito antes de os sintomas ficarem evidentes. Os médicos sabem que uma pequena estrutura cerebral chamada hipocampo encolhe à medida que a doença progride, mas medir essa diminuição manualmente em exames cerebrais é lento e difícil. Este estudo investiga se a inteligência artificial moderna pode contornar automaticamente o hipocampo em imagens de RM e estimar de forma confiável quanto foi perdido de cada lado do cérebro, possivelmente oferecendo aos médicos uma janela mais rápida e objetiva para detectar alterações cerebrais precoces.

Uma pequena região cerebral com grande papel na memória

O hipocampo, localizado nas profundezas dos lobos temporais em ambos os lados do cérebro, nos ajuda a formar novas memórias e a nos orientar no espaço. Pesquisas anteriores mostraram que seu volume tende a diminuir em pessoas com doença de Alzheimer, e essa perda pode começar anos antes de um diagnóstico formal. O hipocampo esquerdo está mais ligado a memórias verbais e autobiográficas, enquanto o lado direito tem papel maior na memória espacial e na navegação. Acompanhar como o tamanho de cada lado muda ao longo do tempo pode, portanto, revelar não apenas se a doença está presente, mas como ela pode afetar o raciocínio e o funcionamento diário.

Por que medir o hipocampo é tão difícil

Em uma imagem de RM, o hipocampo aparece como uma estrutura pequena e de formato intricado, apenas uma parte minúscula de cada fatia da imagem. Tradicionalmente, especialistas traçam suas bordas manualmente em 25 a 30 fatias e depois combinam essas áreas para calcular o volume. Essa abordagem manual é considerada o padrão-ouro, mas exige treinamento especializado, consome muito tempo e é difícil de aplicar às milhares de varreduras coletadas em grandes estudos ou clínicas movimentadas. Softwares automatizados existentes conseguem lidar bem com regiões cerebrais maiores e mais simples, porém frequentemente têm dificuldade em capturar os detalhes finos do hipocampo de forma consistente, especialmente entre diferentes aparelhos e qualidades de imagem.

Colocando o aprendizado profundo à prova

Para enfrentar esse desafio, os pesquisadores avaliaram três modelos de aprendizado profundo projetados para localizar e delinear objetos em imagens. Eles usaram exames de RM de 300 pessoas da Alzheimer’s Disease Neuroimaging Initiative: 100 com doença de Alzheimer, 100 com comprometimento cognitivo leve (um possível estágio inicial) e 100 adultos mais velhos saudáveis. Depois que um neurologista rotulou cuidadosamente o hipocampo em milhares de fatias de imagem, a equipe treinou os modelos para aprender os padrões visuais que definem essa estrutura. Compararam o desempenho usando várias medidas padrão de acurácia, com foco em quão bem os contornos previstos por cada modelo se sobrepunham aos rótulos de especialista.

O modelo vencedor e o que revelou

Entre as três abordagens, um modelo chamado U-Net teve desempenho claramente superior ao traçar bordas precisas ao redor do hipocampo em ambos os lados do cérebro. Ele alcançou a maior sobreposição com os rótulos de especialistas em todos os três grupos, superando um modelo popular de detecção de objetos conhecido como YOLO-v8 e outro método avançado chamado DeepLab-v3. Uma vez treinado, o modelo U-Net foi usado para segmentar o hipocampo em um conjunto de teste separado e para calcular volumes. Os resultados mostraram um padrão evidente: pessoas com Alzheimer apresentaram os menores volumes hipocampais, aquelas com comprometimento cognitivo leve tiveram volumes intermediários e os controles saudáveis apresentaram os maiores. Em todos os grupos, o lado esquerdo tendia a ser ligeiramente menor que o direito.

Diferenças sutis entre esquerda e direita

Ao comparar os dois lados diretamente, os pesquisadores também examinaram quão simétrico o hipocampo era em cada grupo. Eles descobriram que, em adultos mais velhos saudáveis, o lado direito era visivelmente maior que o esquerdo, apresentando a maior assimetria. Em contraste, pessoas com doença de Alzheimer e aquelas com comprometimento cognitivo leve mostraram volumes gerais menores e apenas pequenas diferenças entre esquerda e direita. Isso sugere que, à medida que a doença progride, ambos os hipocampos encolhem e seus volumes se tornam mais semelhantes, um padrão que pode conter informações sobre como a memória e outras habilidades cognitivas estão mudando.

O que isso significa para o cuidado futuro

Para não especialistas, a mensagem principal é que a inteligência artificial agora pode igualar o desempenho de especialistas em uma etapa tediosa, porém crucial: contornar o hipocampo em exames cerebrais. Neste estudo, o modelo U-Net mostrou-se especialmente confiável para essa tarefa, permitindo o cálculo rápido do volume hipocampal em ambos os lados do cérebro. Se validadas adicionalmente em conjuntos de dados maiores e mais diversos, essas ferramentas podem ajudar os clínicos a acompanhar mudanças cerebrais precoces com mais facilidade, apoiar diagnósticos mais precoces e confiantes e monitorar o quanto os tratamentos retardam ou alteram a progressão da doença. O trabalho nos aproxima do uso de exames de RM rotineiros, aprimorados por aprendizado profundo, como um biomarcador prático da doença de Alzheimer na prática clínica cotidiana.

Citação: Pusparani, Y., Lin, CY., Jan, YK. et al. Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer’s disease. Sci Rep 16, 7878 (2026). https://doi.org/10.1038/s41598-026-38220-4

Palavras-chave: Doença de Alzheimer, volume do hipocampo, RM cerebral, segmentação por aprendizado profundo, U-Net