Título: Análise por Aprendizado de Máquina do Circuito Córtico estriado-Tálamo-Cortical para fins de predição da Síndrome de Tourette
Comissão Examinadora:
Prof. Dr. Marco Antonio Garcia de Carvalho (Presidente) - FT/Unicamp
Prof. Dr. Kauê Tartarotti Nepomuceno Duarte - Doutorando
Prof. Dr. Raimundo Claudio da Silva Vasconcelos - IF
Profa. Dra. Mariana Pinheiro Bento - UC
Suplentes
Prof. Dr. Guilherme Palermo Coelho - FT/Unicamp
Profa. Dra. Ana Estela Antunes da Silva - FT/Unicamp
Local: Integralmente Remoto https://stream.meet.google.com/stream/84e47bc9-12f1-43e7-9a50-32baecafc560
Resumo: A Síndrome de Tourette (ST) é uma condição complexa, caracterizada por tiques motores
e vocais crônicos, cuja etiologia ainda não está completamente compreendida, mas há evi-
dências de uma base genética e alterações neuroanatômicas associadas. O diagnóstico da
ST é desafiador devido à falta de testes definitivos, exigindo abordagens multifacetadas
para compreensão e identificação precisas. Este estudo propõe uma metodologia inova-
dora que combina técnicas avançadas de processamento de imagens e Machine Learning
para analisar e classificar pacientes com ST. Utilizando dados de ressonância magnética
(MRI) de 68 indivíduos, incluindo 34 com ST e 34 saudáveis, exploramos duas abor-
dagens principais. Primeiramente, conduzimos uma análise detalhada de descritores de
forma e textura em regiões específicas do circuito cortico-estriado-tálamo-cortical, conhe-
cido por estar envolvido na fisiopatologia da ST. Descobrimos que os descritores de forma,
especialmente os baseados em superfícies intrínsecas de curvatura média (SIHK), foram
eficazes na diferenciação entre pacientes com ST e controles saudáveis. Algoritmos de
Machine Learning, como Máquinas de Vetores de Suporte (SVM), mostraram uma acurá-
cia promissora na identificação de padrões característicos da ST. Além disso, exploramos
abordagens baseadas em redes neurais convolucionais (CNN) para analisar imagens de
ressonância magnética. A utilização da arquitetura VGG16 foi especialmente eficaz na
classificação de pacientes com ST, adaptando-se bem às complexas características das
imagens cerebrais. Nossos resultados destacam a importância de uma análise integrada
de dados estruturais de MRI para a compreensão da ST. Identificamos regiões específicas,
como o núcleo accumbens e o tálamo, como pontos-chave na diferenciação entre pacientes
com ST e indivíduos saudáveis. Como próximo passo, propomos a integração de análi-
ses funcionais utilizando técnicas avançadas de processamento de imagens, visando uma
compreensão mais abrangente dos mecanismos subjacentes à ST. Este estudo representa
uma contribuição significativa para o avanço do conhecimento sobre a ST e sugere novas
direções para futuras pesquisas clínicas e translacionais.
Keywords: Sindrome de Tourette; Machine Learning; Circuito CSTC; Freesurfer; SVM;
RMI; Segmentação.