REDES CEREBRAIS DE PACIENTES COM PARALISIA SUPRANUCLEAR PROGRESSIVA

9.1 Introdução

A Paralisia Supranuclear Progressiva (PSP) foi descrita pela primeira vez em (STEELE; RICHARDSON; OLSZEWSKI,1964), também conhecida como síndrome de Richardson, sendo uma doença rara que produz deterioração cognitiva progressiva, apraxia da pálpebra, perda neuronal, entre outros1(OLIVEIRA; MUNARI; PELZER,2010).

Em termos de rede, assim como as outras doenças no presente trabalho, é caracterizada por um interrupção da rede em larga escala, ainda que alvo específico da rede não tenha sido totalmente caracterizado (GARDNER et al.,2013).

O diagnostico clínico dessa doença é muito difícil (RAJPUT; RAJPUT,2001), sendo ela muitas vezes confundida com a doença de Parkinson. O objetivo do presente capítulo, similar aos anteriores, foi propor um forma de diagnóstico não invasiva baseada na classificação de medidas de redes complexas.

9.2 Base de dados

A base de dados 2 continha matrizes de conectividade cada uma correspondente a um dos pacientes que foram avaliados na Universidade da Califórnia de São Francisco (em inglês, University of California, UCSF), no centro de envelhecimento e Memória; sendo 20 deles diagnosticados com PSP segundo o critério determinado em (LITVAN et al.,1996) e 12

1 _{A Paralisia Supranuclear Progressiva possui essa denominação devido a degeneração progressiva}

das estruturas cerebrais localizadas na região superior dos núcleos oculomotores, e,assim , causando paralisia eventual dos movimentos oculares.(OLIVEIRA; MUNARI; PELZER,2010)

2 _{Disponível em: htt p : \\umcd.humanconnectomepro ject.org\umcd\de f ault\browse} studies

126 Capítulo 9. Redes cerebrais de pacientes com paralisia supranuclear progressiva

saudáveis,sendo que foi assegurado que a movimentação da cabeça fosse menor que 3mm da translação máxima, 3 graus de rotação relativa máxima, com níveis de movimentação da cabeça aceitáveis (BROWN et al.,2017).

Todos os objetos foram scaneados no centro de imageamento e neurociência da UCSF no scanner Siemens Trio 3T, sendo o tempo de aquisição foi de 8 min 06s e a resolução do voxel: 2.5 x 2.5 x 3.0, resultando em um total de 240 volumes. Para cada scans de fMRI , o primeiro de cinco volumes foram descartados; foi utilizado para pré-processamento das imagens o software FSL. Utilizou-se, também, o método baseado na semente e a correlação de Spearman para determinar a conectividade funcional, e, ao final do processo, 27 regiões de interesses foram conectadas, ou seja, cada paciente possuía 2 matrizes de conectividade de dimensões 27 x 27 em dois momentos diferentes (T1 e T2, no presente trabalho foi utilizado somente as matrizes T2), todas com peso.

9.3 Metodologia

Esta seção contém a metodologia utilizada na base de dados descrita na secção anterior. Utilizou-se uma Metodologia similar à utilizada nos dois capítulos anteriores, uma vez que as matrizes de conectividade em questão possuíam peso. Contudo utilizou-se para threshold e binarização um valor de 0.3 baseado em (GARDNER et al.,2013), após realizar a normalização z-score em cada matriz de conectividade (que também foi feito no artigo citado anteriormente), resultando em matrizes binárias.

Extraiu-se as mesmas medidas de redes anteriores (média da distribuição de grau, segundo momento da distribuição de grau, coeficiente médio de aglomeração, transitividade, assortatividade, média dos menores caminhos, complexidade, betweenness centrality, eigenvector centrality, closeness centrality, pageRank, diâmetro e dominância central), que serão os atributos a serem classificados pelos mesmos algoritmos anteriores, por intermédio do pacote caretdo R. Por meio de alguns critérios são selecionados alguns classificadores que passarão para etapa de seleção, em que dois métodos de seleção (seleção por ordem de importância e RFE) são utilizados, com intuito de verificar se eles aumentam o desempenho dos algoritmos preditivos.

E por fim, são aplicados dois métodos de normalização (softmax scaling e z-score) para verificar se eles aumentam a performance dos classificadores em questão. A seção seguinte contém os resultados obtidos anteriormente.

9.4 Resultados

Esta seção contém os resultados obtidos neste capítulo após ter empregado a metodologia descrita na seção anterior.

9.5. Resultados após seleção 127

Tabela 35 – Tabela contendo os resultados ao se aplicar os algoritmos preditivos ao conjunto de atributos correspondentes as medidas de redes extraídas das matrizes de conectividade binárias de pacientes com e sem a doença PSP. Em vermelho encontram-se destacados aqueles cuja acurácia e AUC foram superiores a 0.6.

Acurácia Kappa(Ac.) Sensitividade Especificidade AUC

k-NN 0.45 -0.11 0.69 0.19 0.43 Naive Bayes 0.58 0.08 0.98 0.10 0.57 Árvore de decisão 0.65 0.26 1.00 0.26 0.63 Redes neurais 0.54 0.00 0.72 0.40 0.58 k-NN e RN 0.65 0.28 0.90 0.17 0.52 k-NN e AD 0.65 0.27 0.84 0.29 0.61 k-NN e NB 0.51 -0.04 0.72 0.53 0.65 AD e RN 0.64 0.23 0.72 0.45 0.58 AD e NB 0.64 0.22 0.90 0.27 0.60 NB e RN 0.54 0.02 0.84 0.32 0.66 k-NN,RN e NB 0.61 0.19 0.72 0.35 0.58 k-NN,RN e AD 0.62 0.20 0.67 0.44 0.61 NB , RN e AD 0.67 0.29 0.90 0.36 0.60 k-NN,NB e AD 0.63 0.25 0.88 0.36 0.67 k-NN,RN, AD e NB 0.67 0.32 0.92 0.36 0.57

Primeiramente, então, aplicou-se os algoritmos preditivos em questão cujos resultados se encontram na tabela35. Aqueles que obtiveram uma acurácia e AUC superiores a 0.6 foram selecionados para a etapa de seleção cujos resultados se encontram na subsecção seguinte.

9.5 Resultados após seleção

Os dois processos de seleção foram utilizados no conjunto de atributos e, então, os classificadores selecionados da secção seguinte foram utilizados para discriminação das duas classes cujos resultados se encontram na tabela36. As duas medidas com menor importância são a dominância central, seguida pelo diâmetro; assim, primeiramente retirou-se o atributo dominância central, realizou-se a classificação, e depois retirou-se o atributo diâmetro e, novamente, foi realizado a classificação. Ao se aplicar o método RFE obteve-se como subconjunto de atributos o seguinte: coeficiente de aglomeração médio, transitividade, complexidade, segundo momento da distribuição de grau e eigenvector centrality e nesse subconjunto realizou-se a classificação. Da tabela36percebe-se que o RFE aumentou o desempenho dos classificadores árvore de decisão e o classificador obtido da combinação de classificadores k-NN, naive bayes e árvore de decisão. A seleção por ordem de importância sem a medida dominância central aumentou o desempenho do classificador formado da combinação entre os classificadores: naive bayes, redes neurais e árvore de decisão. Para os outros classificadores nenhum outro subconjunto de atributos contribuiu para aumentar sua performance.

128 Capítulo 9. Redes cerebrais de pacientes com paralisia supranuclear progressiva

Tabela 36 – Tabela contendo os resultados obtidos após utilizar os métodos de seleção. Em azul, destacou- se aqueles obtidos pelo método de seleção por ordem de importância; e, em laranja, aqueles obtidos pelo método RFE. Em negrito, destacou-se os melhores desempenhos (em termos da acurácia e AUC) para cada classificador em questão.

Processo de Seleção Acurácia Kappa(Ac.) Sensitividade Especificidade AUC sem seleção 0.65 0.26 1.00 0.26 0.63 seleção por ordem de importância

sem dominância central 0.60 0.142 0.58 0.50 0.57 seleção por ordem de importância