Characterizing and revealing biomarkers on patients with Cerebral Amyloid Angiopathy using artificial intelligence

Abstract

Cerebral Amyloid Angiopathy is a cerebrovascular disorder resulting from the deposition of an amyloidogenic protein in small and medium sized cortical and leptomeningeal vessels. A primary cause of spontaneous intracerebral haemorrhages, it manifests predominantly in the elder population. Although CAA is a common neuropathological finding on itself, it is also known to frequently occur in conjunction with Alzheimer’s disease, being sometimes misdiagnosed. Currently, CAA diagnosis is generally conducted by post-mortem examination or, in live patients by the examination of an evacuated hematoma or brain biopsy samples, which are typically unavailable. Therefore, a reliable and non-invasive method for diagnosing CAA would facilitate the clinical decision making and accelerate the clinical intervention. The main goal of this dissertation is to study the application of Machine Learning (ML) to reveal possible biomarkers to aid the diagnosis and early medical intervention, and better understand the disease. Therefore, three scenarios were tested: Classification of four neurodegenerative diseases with annotation data obtained from visual rating scores, age and gender; Classification of the diseases with radiomic data derived from the patient’s MRI; and a combination of the previous experiments. The results show that the application of Artificial intelligence in the medical field brings advantages to support the physicians in the decision making process and, at some point, make a correct prediction of the disease label. Although the results are satisfactory, there are still improvements to be done. For instance, image segmentation of cerebral lesions or brain regions and additional clinical information of the patients would be of value.

Angiopatia Amiloide Cerebral (AAC) é uma doença vascular cerebral resultante da deposição de matéria amiloide. Principal causa de hemorragias cerebral espontâneas, a AAC manifesta se predominantemente na população idosa. Embora a AAC seja uma doença que por si só tem um grande impacto no grupo etário referido, ocorre em simultâneo com inúmeras outras doenças neurodegenerativas, como a doença de Alzheimer. Atualmente, o diagnóstico de AAC realiza-se quer em post-mortem, quer em pacientes vivos. No entanto, o diagnóstico em vida é conseguido por meio de biópsias de tecidos cerebrais, sendo um método invasivo, o que dificulta a intervenção clínica. Deste modo, torna-se imperativa a procura de alternativas fiáveis e não invasivas em vida para auxiliar o diagnóstico da doença e permitir a melhoria da qualidade de vida do paciente. Perante os progressos na área da tecnologia e medicina, esta dissertação propõe o estudo da aplicação de algoritmos de Machine Learning (ML) para revelar possíveis biomarcadores para auxiliar o diagnóstico e permitir uma intervenção precoce. Deste modo, foram testados três cenários distintos: a classificação de quatro doenças neurodegenerativas com dados anotados obtidos a partir de métricas visuais de avaliação da atrofia, idade e sexo; a classificação das doenças com dados gerados a partir de métodos radiómicos; e uma combinação das duas abordagens anteriores. Neste documento apresenta-se e discute-se os resultados obtidos com a aplicação de quatro diferentes algoritmos de ML que visam a deteção automática da doença associada à imagem testada. Adicionalmente, é feita uma análise crítica de quais as características mais relevantes que levaram à tomada de decisão por parte do algoritmo. Os resultados demonstram que através de aplicação de metodologias automáticas é possível o auxílio ao diagnostico médico por especialistas e, no limite, a realização de diagnostico automático com elevada precisão. Finalmente, são apresentadas possíveis alternativas de trabalho futuro para que os resultados possam ser aperfeiçoados, como por exemplo, a segmentação das regiões de interesse, i.e., identificação das lesões, aquando da anotação por especialistas. Mediante a inclusão dessa segmentação, uma vez que será mais especifica, os resultados serão, por sua vez, aprimorados.