Um classificador em ensemble de aprendizado de máquina para diagnóstico da doença de Parkinson usando angiografia por tomografia de coerência óptica

Por que os olhos podem revelar uma doença cerebral oculta

A doença de Parkinson costuma ser diagnosticada apenas após o aparecimento de tremores, rigidez ou lentificação dos movimentos — sinais de que o cérebro já vem mudando há anos. Este estudo explora um atalho inesperado: observar pequenos vasos sanguíneos na parte posterior do olho com um exame de imagem indolor e depois usar inteligência artificial para identificar pessoas que podem ter Parkinson mais cedo e de forma mais objetiva do que os exames atuais permitem.

Olhando para o cérebro através do olho

O tecido sensível à luz na parte posterior do olho, a retina, é essencialmente uma parte acessível do cérebro. Compartilha nervos e vasos sanguíneos semelhantes, mas pode ser examinada de forma não invasiva em ambulatório. Os pesquisadores utilizaram uma tecnologia chamada angiografia por tomografia de coerência óptica, ou OCTA, que produz mapas detalhados e sem contraste da circulação retiniana. Como a doença de Parkinson tem sido associada a problemas em pequenos vasos em outras partes do corpo, a equipe investigou se mudanças sutis nessas redes retinianas poderiam funcionar como uma “janela” para a doença em estágio inicial.

Transformando exames oculares em números

Em um estudo retrospectivo, a equipe coletou exames OCTA de 53 pessoas com Parkinson e 39 voluntários saudáveis pareados por idade. Eles se concentraram em duas camadas de vasos retinianos: uma camada superficial próxima à superfície e uma camada mais profunda abaixo. De cada camada segmentaram automaticamente a zona avascular foveal central — a pequena depressão sem vasos necessária para visão nítida — bem como os capilares ao redor. Em seguida, converteram cada imagem em 22 medidas numéricas. Algumas descreviam a forma da zona foveal, como quão arredondada, suave ou irregular era sua borda. Outras quantificavam a densidade dos vasos em geral e em um anel ao redor da fovea. Juntas, essas medidas quantificaram a saúde microvascular com muito mais nuance do que o olho humano poderia avaliar.

Treinando uma IA para identificar padrões de Parkinson

Com essas medidas em mãos, os pesquisadores construíram modelos computacionais para distinguir exames de Parkinson daqueles saudáveis. Como o conjunto de dados era modesto, eles primeiro usaram técnicas de seleção de características para reduzir as 22 medidas ao subconjunto mais informativo, diminuindo ruído e overfitting. Em seguida, treinaram diversos algoritmos de aprendizado de máquina comuns, incluindo métodos baseados em árvore de decisão e um classificador k-vizinhos mais próximos. Finalmente, combinaram os três melhores desempenhos — XGBoost, Random Forest e K-Nearest Neighbors — em um “ensemble” ponderado, de forma que o voto de cada modelo contasse em proporção ao seu desempenho habitual.

O que os modelos encontraram na retina

Comparadas aos voluntários saudáveis, as pessoas com Parkinson apresentaram sinais claros de microcirculação retiniana alterada. Medidas de densidade vascular foram menores, e a zona foveal central tende a ser menos regular em forma — menos arredondada, menos suave e menos sólida — tanto na camada de vasos superficiais quanto na profunda. Quando testado em dados não vistos previamente, o modelo em ensemble classificou corretamente cerca de três em cada quatro olhos no total. Mais notavelmente, atingiu 90% de sensibilidade: identificou corretamente nove em cada dez casos de Parkinson. A especificidade foi mais modesta, pouco acima da metade, significando que alguns indivíduos saudáveis foram classificados erroneamente como doentes. A área sob a curva ROC, um resumo comum do desempenho diagnóstico, foi 0,75, indicando discriminação útil, mas não definitiva.

Do algoritmo à clínica

Para ir além da teoria, a equipe incorporou seus métodos em uma ferramenta de software protótipo chamada Parkinson’s Disease Artificial Intelligence (PDAI). Por meio de uma interface gráfica simples, os clínicos podem carregar exames OCTA, revisar os vasos sanguíneos e a zona foveal central traçados automaticamente, ver as principais características numéricas e obter uma predição instantânea sobre se um exame se assemelha aos de pacientes com Parkinson. Como o sistema se apoia em medidas definidas e elaboradas manualmente, em vez de uma “caixa preta” opaca, os contribuintes de cada decisão são mais fáceis de interpretar pelos clínicos e potencialmente relacionar à biologia subjacente.

O que isso significa para os pacientes

Este trabalho ainda não oferece um teste autônomo para Parkinson, mas mostra que um exame ocular rápido e não invasivo, analisado com métodos de aprendizado de máquina cuidadosamente desenhados, pode detectar alterações relacionadas à doença com alta sensibilidade. Na prática, essa ferramenta poderia, no futuro, ser usada como auxílio de triagem — ajudando oftalmologistas e neurologistas a decidir quem deve ser monitorado mais de perto ou encaminhado para avaliação adicional muito antes do aparecimento de sintomas incapacitantes. Ainda são necessários estudos maiores e multicêntricos, mas o estudo sugere que os olhos podem, de fato, fornecer um sinal prático de alerta precoce para a doença de Parkinson.

Citação: Hasanshahi, M., Mehdizadeh, A., Mahmoudi, T. et al. An ensemble machine learning classifier for Parkinson’s disease diagnosis using optical coherence tomography angiography. Sci Rep 16, 7297 (2026). https://doi.org/10.1038/s41598-026-38407-9

Palavras-chave: Doença de Parkinson, imagem retiniana, OCTA, aprendizado de máquina, diagnóstico precoce