Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia

Detalhes bibliográficos
Autor(a) principal: Moura, Adriana Miyazaki de
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138
Resumo: Orientador: Prof. Dr. João Ricardo Sato
id UFBC_dfbcea96087bf41f16fdf5c4b1cbdd66
oai_identifier_str oai:BDTD:101138
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofreniaESQUIZOFRENIAPRIMEIRO EPISÓDIO PSICÓTICOAPRENDIZADO COMPUTACIONALSCHIZOPHRENIAFIRST EPISODE PSYCHOSISDISCRIMINANT ANALYSISPROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABCOrientador: Prof. Dr. João Ricardo SatoDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Neurociência e Cognição, 2016.Diversos estudos reportaram alterações cerebrais ao longo do curso da esquizofrenia. Até mesmo nos estágios incipientes, como no Primeiro Episódio Psicótico (PEP). Métodos de aprendizagem de máquina podem ser utilizados para análise multivariada de dados de neuroimagem, porém a grande maioria dos estudos os emprega principalmente para previsões entre grupos, como discriminar pacientes com esquizofrenia de controles saudáveis. No presente estudo, foi aplicado o método maximum entropy linear discriminant analysis (MLDA) com o objetivo de buscar um melhor entendimento dos estágios da esquizofrenia. Foram analisados dados neuro-volumétricos provenientes de imagens de ressonância magnética de 143 pacientes crônicos com esquizofrenia, 32 pacientes PEP e 82 controles saudáveis. O método projeta as características multivariadas de um sujeito em um sub-espaço discriminante univariado, provendo um "escore de esquizofrenia". Inicialmente, a performance do MLDA na tarefa de discriminação entre pacientes com esquizofrenia de controles foi avaliada e foram identificados as regiões cerebrais que mais contribuíram para a classificação. Por fim, foram utilizados os escores provenientes do MLDA para realizar uma comparação entre os padrões volumétricos de pacientes PEP e pacientes com esquizofrenia e controles saudáveis. A classificação atingiu uma acurácia balanceada de 72.96%. O grupo PEP apresentou uma distribuição de escores mais similar aos pacientes com esquizofrenia em comparação aos controles saudáveis. Após repetição das análises excluindo as regiões afetadas por medicação anti-psicótica, a acurácia permaneceu aproximadamente a mesma (73.66%), porém os escores do PEP se tornaram mais similares ao grupo controle. Os resultados do presente estudo sugerem que as primeiras estruturas alteradas no PEP podem ser as regiões afetadas por anti-psicóticos. Entre as estruturas mais discriminantes na classificação se encontravam, principalmente, estruturas relacionadas ao sistema límbico e a circuiteria envolvida em comportamentos orientados a objetivos. Em conclusão, nossos resultados sugerem a importância de considerar os efeitos dos anti-psicóticos, a fim de entender os substratos neurais envolvidos na esquizofrenia.Several studies reported brain changes along the course of the schizophrenia. Even in the early stages, such as first episode psychosis (FEP). Machine learning methods can be applied for multivariate analysis of neuroimaging data, however, they have been employed in most of the studies with main concern in group prediction, such as discriminating schizophrenic patients from healthy controls. In the present study we applied the maximum entropy linear discriminant analysis (MLDA) aiming to a better comprehension of the schizophrenia stages. We analysed brain structures volumetric data from MRI images of 143 patients with chronic schizophrenia, 32 FEP patients and 82 healthy controls. The method projects the multivariate characteristics of a subject onto a univariate discriminant subspace, providing a "schizophrenia score". First, the performance of MLDA in the discrimination task between schizophrenia patients from controls was evaluated and we identified the brain regions that most contribuited to the classification. Finally, we utilized the scores provided by MLDA to make a comparison among the volumetric patterns of FEP patients and schizophrenic patients and healthy controls. The classification achieved a balanced accuracy of 72.96%. We found that the FEP group had a score distribution more similar to patients with schizophrenia in comparison with healthy subjects. After the exclusion of regions affected by antipsychotic medication and repeating MLDA analysis, the accuracy remained approximately the same (73.66%), but the FEP scores became more similar to control group. Our results suggest that the first structures altered in FEP might be the regions affected by antipsychotics. Structures related to the limbic system and the circuitry involved in goal-directed behaviours were the most discriminant regions in the classification. In conclusion, our results suggest the importance of taking into account the brain structural effects of antipsychotic drugs in order to understand the neural substrates involved in schizophrenia.Sato, João RicardoBiazoli Júnior, Claudinei EduardoThomaz, Carlos EduardoMoura, Adriana Miyazaki de2016info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf85 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138&midiaext=72380http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138&midiaext=72379Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=101138porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2022-03-24T16:08:50Zoai:BDTD:101138Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2022-03-24T16:08:50Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
title Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
spellingShingle Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
Moura, Adriana Miyazaki de
ESQUIZOFRENIA
PRIMEIRO EPISÓDIO PSICÓTICO
APRENDIZADO COMPUTACIONAL
SCHIZOPHRENIA
FIRST EPISODE PSYCHOSIS
DISCRIMINANT ANALYSIS
PROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABC
title_short Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
title_full Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
title_fullStr Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
title_full_unstemmed Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
title_sort Abordagem de aprendizado de máquina para análise de padrões neuromorfométricos no primeiro episódio psicótico e esquizofrenia
author Moura, Adriana Miyazaki de
author_facet Moura, Adriana Miyazaki de
author_role author
dc.contributor.none.fl_str_mv Sato, João Ricardo
Biazoli Júnior, Claudinei Eduardo
Thomaz, Carlos Eduardo
dc.contributor.author.fl_str_mv Moura, Adriana Miyazaki de
dc.subject.por.fl_str_mv ESQUIZOFRENIA
PRIMEIRO EPISÓDIO PSICÓTICO
APRENDIZADO COMPUTACIONAL
SCHIZOPHRENIA
FIRST EPISODE PSYCHOSIS
DISCRIMINANT ANALYSIS
PROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABC
topic ESQUIZOFRENIA
PRIMEIRO EPISÓDIO PSICÓTICO
APRENDIZADO COMPUTACIONAL
SCHIZOPHRENIA
FIRST EPISODE PSYCHOSIS
DISCRIMINANT ANALYSIS
PROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABC
description Orientador: Prof. Dr. João Ricardo Sato
publishDate 2016
dc.date.none.fl_str_mv 2016
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138&midiaext=72380
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=101138&midiaext=72379
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=101138
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
85 f. : il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1801502097449943040

Registros relacionados