Multimodal classification of alcohol use disorder and relapse prediction using magnetic resonance imaging
Year: 2024
Type: dissertation
Abstract: A perturbação do uso do álcool (PUA) é uma condição crónica caracterizada pelo consumo excessivo de álcool apesar das consequências adversas, resultando em diversos problemas físicos, mentais, e sociais, com implicações a longo prazo na saúde dos indivíduos que dela sofrem. Pensa-se que o risco para o desenvolvimento de PUA está associado a um conjunto de fatores biológicos e sociais e que a condição é perpetuada por um ciclo de intoxicação, consumo excessivo e frenético, privação e desejo. Este ciclo envolve alterações em vários circuitos cerebrais, incluindo os associados com a recompensa e motivação, controlo executivo, processamento de emoções, atribuição de importância, e interocepção. Atualmente, o diagnóstico de PUA considera apenas o historial clínico do paciente e, apesar de permitir distinguir categorias de acordo com a gravidade, este sistema não considera a heterogeneidade existente dentro da mesma categoria, nem os fatores de risco individuais e alterações neurobiológicas subjacentes. Estas limitações dificultam o estabelecimento de planos de tratamento personalizados de acordo com a gravidade da condição e o risco de recaída individual. O potencial de obter um diagnóstico automatizado e objetivo de condições psiquiátricas tem sido exponencialmente explorado através de métodos de aprendizagem automática (AA), incluindo na PUA. Para tentar caracterizar totalmente a condição, a classificação multimodal permite considerar simultaneamente fatores genéticos e sociais individuais com alterações cerebrais estruturais e funcionais que têm sido consistentemente observadas na PUA por imagem por ressonância magnética (RM). No entanto, não está estabelecido se a classificação multimodal oferece um aumento significativo da exatidão no diagnóstico de PUA comparativamente com modalidades individuais. Para além disso, até agora, nenhum estudo incluiu alterações da conectividade funcional durante uma tarefa de cue-reactivity na classificação multimodal de PUA. Neste contexto, foi implementada uma estratégia de classificação multimodal com o objetivo de classificar PUA numa amostra de 211 pacientes diagnosticados com PUA recém-abstinentes e 173 controlos saudáveis, estando os dois grupos equilibrados relativamente à idade e ao género. Os participantes tinham sido previamente recrutados no âmbito de sete estudos conduzidos pelo Central Institute of Mental Health, em Mannheim, tendo sido recolhidos diversos dados sociodemográficos e clínicos. Para todos os participantes, foram recolhidas imagens de RM do cérebro estruturais e funcionais, estas últimas durante um paradigma de cue-reactivity, que consiste na exibição de blocos de imagens de bebidas alcóolicas alternados com blocos de imagens neutras. Para criar o modelo, foram incluídas variáveis preditivas extraídas das imagens de RM e variáveis demográficas/clínicas, num total de cinco modalidades distintas. A mesma estratégia foi também aplicada a um subconjunto da amostra inicial para prever a ocorrência de recaída ao fim de 90 dias após a admissão na clínica, consistindo em 63 participantes que recaíram e 58 que se mantiveram abstinentes. Foram incluídas variáveis demográficas/clínicas relativas à idade, género, índice de massa corporal, hábitos tabágicos, nível de educação, atividade profissional, estado civil, habitação, e índices de depressão e ansiedade. Para a amostra destinada à previsão de recaída, foram ainda incluídas variáveis clínicas relativas ao consumo de álcool. Através das imagens de RM estruturais, foram extraídas medidas de atrofia ao nível do volume de substância cinzenta e da espessura cortical, numa abordagem de voxel-based morphometry e surface based-morphometry, respetivamente, recorrendo-se ao software CAT12 para o processamento e análise das imagens. Para cada participante, obteve-se o volume médio de substância cinzenta em cada uma das 166 regiões definidas pelo atlas Automated Anatomical Labeling 3 (AAL3), bem como a espessura cortical média em cada uma de 360 regiões definidas pelo atlas Human Connectome Project. As imagens de RM funcionais foram preprocessadas com recurso ao software CONN, que foi ainda utilizado para extrair medidas de mudanças de conectividade funcional causadas pela exibição das imagens de bebidas alcoólicas e imagens neutras. Especificamente, efetuouse uma análise de interações psicofisiológicas generalizadas (gPPI) e obteve-se, para cada participante, uma matriz de conectividade entre 140 regiões cerebrais definidas pelo atlas AAL3. Para comparar a atividade cerebral durante a exibição de estímulos de álcool relativamente a estímulos neutros, foram produzidos mapas de contraste com recurso ao software SPM12, que foram redimensionados para que a dimensão de cada voxel fosse de 10 mm3 , reduzindo o número de preditores no modelo. Cada um dos quatro tipos de variáveis extraídos das imagens de RM foi ainda sujeito a análises estatísticas, para avaliar a existência de diferenças significativas entre os grupos (entre participantes com PUA e controlos, e entre participantes com recaída e abstinentes) ao nível do volume de substância cinzenta, espessura cortical, atividade cerebral durante a exibição dos estímulos e alterações da conectividade funcional na mesma tarefa. Estas análises foram apenas de caráter exploratório. As cinco modalidades foram combinadas através de multiple kernel learning, com support vector machine (SVM) como modelo de aprendizagem base. Para os dados de cada modalidade foi calculado o respetivo kernel, sendo posteriormente linearmente combinados num kernel misto, utilizado para treinar o modelo de SVM. Para validar o modelo, foi aplicada uma estratégia de 10-fold crossvalidation estratificada, incluindo duas outras semelhantes encaixadas na primeira e aplicadas aos dados de treino de cada repartição, de forma a otimizar os hiper-parâmetros da SVM e as contribuições de cada modalidade no kernel combinado. O algoritmo de SVM foi implementado com a toolbox LIBSVM em MATLAB. Para além do modelo combinado, as modalidades foram introduzidas separadamente em modelos de SVM para comparação. Os modelos foram avaliados em termos de exatidão, sensibilidade, especificidade, e exatidão ponderada. Para estimar a importância de cada variável preditiva individual, dentro de cada modalidade, na prestação dos modelos, foi introduzido um modelo de random forests e selecionadas as variáveis que resultaram num maior erro do classificador quando as observações foram permutadas aleatoriamente. Quanto às análises de grupo das modalidade de RM, observou-se uma redução generalizada do volume de substância cinzenta e da espessura cortical nos pacientes com PUA relativamente aos controlos. Estas alterações estruturais foram particularmente notáveis em regiões frontais, incluindo nos córtices dorsolateral e medial pré-frontal e no córtex orbitofrontal e, no caso do volume de substância cinzenta, ainda em regiões talâmicas. No entanto, esta atrofia estrutural foi também observada em regiões não tipicamente associadas com PUA, incluindo regiões temporais e parietais e, no caso do volume de substância cinzenta, ainda no cerebelo. A atrofia foi também observada nos pacientes com recaída relativamente aos abstinentes, principalmente em regiões temporais e frontais, incluindo no lobo temporal medial e no córtex orbitofrontal. No entanto, estas alterações foram menos significativas do que na amostra anterior. Relativamente às imagens funcionais, observaram-se alterações na conectividade funcional durante a observação de estímulos de álcool comparativamente a estímulos neutros, nos pacientes com PUA relativamente aos controlos, e nos pacientes com recaída relativamente aos abstinentes. Estas alterações envolveram principalmente núcleos talâmicos, o córtex pré-frontal medial e o córtex orbitofrontal, embora sendo menos significativas do que as alterações estruturais. Os modelos treinados com as modalidades individuais distinguiram com exatidão ponderada significativa entre pacientes com PUA e controlos, exceto o modelo treinado com as variáveis de gPPI, cuja exatidão ponderada não foi significativa. A exatidão ponderada mais alta foi obtida pelas variáveis demográficas/clínicas (85.0%), seguida das variáveis de RM estrutural (68.4% pelo volume de substância cinzenta e 68.2% pela espessura cortical). Para as primeiras, as variáveis relacionadas com os hábitos tabágicos e com sintomas de depressão e ansiedade foram as mais contributivas para a prestação do modelo. Para as segundas, as regiões frontais, temporais e parietais foram as mais relevantes, estando vastamente de acordo com as observações das análises de grupo. Para o modelo treinado com os mapas de contraste (exatidão ponderada de 61.0%), regiões frontais, temporais e occipitais foram as mais contributivas. Combinar as modalidades num modelo multimodal para classificação de PUA resultou numa exatidão ponderada de 86.6%, um ligeiro aumento face à modalidade individual com a melhor prestação, à qual foi atribuído o maior peso no modelo combinado. As variáveis de gPPI foram a modalidade menos contributiva, sendo sempre excluídas do modelo. Combinando as modalidades de RM, o modelo obteve uma exatidão ponderada de 71.6%, sendo ligeiramente superior à obtida pelo modelo treinado apenas com as modalidades de RM estrutural (70.2%). Relativamente à previsão de recaída, nenhum dos modelos treinados individualmente com as modalidades, nem o modelo combinado, obtiveram exatidão ponderada significativa. Estes resultados, juntamente com as observações das análises de grupo para esta amostra, sugerem que nenhuma das modalidades refletiu características significativamente distintas entre os dois grupos. Em suma, este trabalho ilustrou como a exatidão de modelos de AA para diagnóstico de PUA pode estar limitada por características intrínsecas dos dados, quando são aplicadas metodologias rigorosas e estabelecidas. Apesar das variáveis demográficas/clínicas terem obtido uma elevada exatidão, as
Author: Bernardo, Maria João Marques
Institution: University of Lisbon
Language: Portuguese
Subfield: Epidemiology
Field: Medicine
Domain: Health Sciences
Keywords: alcoholism, recurrence prediction, multimodal classification, functional connectivity, cue reactivity, structural MRI, functional MRI, machine learning, personalized treatment, alcohol craving, executive function, emotional processing, interoception, alcohol abstinence, alcohol use disorder severity, automated psychiatric diagnosis
Open Access status: green
OpenAlex ID: W6992976712
