APLICAÇÕES DA RESSONÂNCIA MAGNÉTICA FUNCIONAL NO DIAGNÓSTICO PRECOCE DA DOENÇA DE ALZHEIMER: UMA REVISÃO SISTEMÁTICA
DOI:
https://doi.org/10.56238/levv16n53-096Palavras-chave:
Doença de Alzheimer, Ressonância Magnética, Funcional, Diagnóstico Precoce, Comprometimento Cognitivo LeveResumo
Introdução: A doença de Alzheimer (DA) é a doença neurodegenerativa mais comum em todo o mundo, caracterizada por declínio cognitivo progressivo e substancial impacto socioeconômico. O diagnóstico precoce é crucial para permitir intervenções terapêuticas antes da perda neuronal irreversível.
Objetivo: O objetivo principal foi revisar sistematicamente as evidências atuais sobre as aplicações da ressonância magnética funcional (RMf) no diagnóstico precoce da DA, com foco na precisão diagnóstica, nos avanços metodológicos e no potencial clínico. Os objetivos secundários incluíram a avaliação de abordagens analíticas, como métricas de conectividade e modelos de aprendizado de máquina, e a avaliação da heterogeneidade e das lacunas na literatura.
Métodos: Uma busca sistemática foi realizada nas bases de dados PubMed, Scopus, Web of Science, Biblioteca Cochrane, LILACS, ClinicalTrials.gov e ICTRP para estudos publicados entre 2019 e 2025. Os critérios de inclusão incluíram estudos de RMf em humanos que investigassem DA precoce ou comprometimento cognitivo leve (CCL) com métricas diagnósticas quantitativas. Estudos com amostras pequenas ou protocolos não padronizados foram incluídos, mas apontados como limitações. Os critérios de exclusão envolveram revisões, editoriais e estudos sem dados diagnósticos quantitativos. A revisão seguiu as diretrizes PRISMA.
Resultados e Discussão: A maioria utilizou fMRI em repouso e modelos computacionais avançados para diferenciar DCL ou DA precoce de controles saudáveis. As acurácias diagnósticas relatadas variaram de 83% a 96%, com sensibilidade e especificidade consistentes acima de 0,85. Modelos de aprendizado profundo e baseados em gráficos melhoraram significativamente o desempenho da classificação. No entanto, a heterogeneidade nos parâmetros de aquisição, nos pipelines de pré-processamento e nos pequenos tamanhos de amostra limitaram a generalização.
Conclusão: A RM funcional demonstra alto potencial como biomarcador não invasivo para o diagnóstico precoce da DA, especialmente quando combinada com imagens estruturais e de difusão ou análise baseada em inteligência artificial. A padronização dos protocolos de aquisição e pré-processamento e a validação multicêntrica continuam sendo essenciais para a tradução clínica.
Downloads
Referências
1. Livingston G, Huntley J, Sommerlad A, Ames D, Ballard C, Banerjee S, et al. Dementia prevention, intervention, and care: 2020 report of the Lancet Commission. Lancet. 2020;396(10248):413–46. doi:10.1016/S0140-6736(20)30367-6.
2. Jack CR Jr, Bennett DA, Blennow K, Carrillo MC, Dunn B, Haeberlein SB, et al. NIA–AA Research Framework: Toward a biological definition of Alzheimer’s disease. Alzheimers Dement. 2018;14(4):535–62. doi:10.1016/j.jalz.2018.02.018.
3. Dennis EL, Thompson PM. Functional connectivity in neurodegenerative disorders: Alzheimer’s disease and frontotemporal dementia. Cell Mol Life Sci. 2019;76(3):467–81. doi:10.1007/s00018-018-2941-0.
4. Biswal BB, Mennes M, Zuo XN, Gohel S, Kelly C, Smith SM, et al. Toward discovery science of human brain function. Proc Natl Acad Sci U S A. 2019;116(52):26155–62. doi:10.1073/pnas.1914630116.
5. Spetsieris PG, Ko JH, Tang CC, Nazem A, Dhawan V, Eidelberg D. Metabolic resting-state brain networks in health and disease. Proc Natl Acad Sci U S A. 2021;118(52):e2102886118. doi:10.1073/pnas.2102886118.
6. Zhang D, Shen D. Multi-modal multi-task learning for joint prediction of Alzheimer’s disease diagnosis and mild cognitive impairment conversion. Neuroimage. 2020;221:117090. doi:10.1016/j.neuroimage.2020.117090.
7. Li H, Habes M, Wolk DA, Fan Y. A deep learning model for early prediction of Alzheimer’s disease dementia based on hippocampal magnetic resonance imaging data. Alzheimers Dement. 2020;16(8):1236–47. doi:10.1002/alz.12110.
8. Chiesa PA, Cavedo E, Grothe MJ, Colliot O, Lista S, Potier MC, et al. Application of the European ADNI MR imaging harmonization protocol to the ADNI-3 dataset. Alzheimers Dement. 2020;16(7):1164–73. doi:10.1002/alz.12086.
9. Petersen RC, Lopez O, Armstrong MJ, Getchius T, Ganguli M, Gloss D, et al. Practice guideline update summary: Mild cognitive impairment. Neurology. 2018;90(3):126–35. doi:10.1212/WNL.0000000000004826.
10. Li Y, Yao Z, Zhang H, Hu B, for the Alzheimer’s Disease Neuroimaging Initiative. Prediction of conversion from mild cognitive impairment to Alzheimer’s disease using resting-state functional connectivity: A systematic review. Hum Brain Mapp. 2020;41(17):5003–23. doi:10.1002/hbm.25179.
11. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. doi:10.1136/bmj.n71.
12. Sutton A, Higgins JPT. Systematic reviews of diagnostic test accuracy: methods and challenges. Semin Nucl Med. 2021;51(2):102–14. doi:10.1053/j.semnuclmed.2020.10.004.
13. Chaimani A, Caldwell DM, Li T, Higgins JPT, Salanti G. Undertaking network meta-analyses. Cochrane Handbook. 2020;11:285–320.
14. Whiting PF, Rutjes AW, Westwood ME, Mallett S, Deeks JJ, Reitsma JB, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155(8):529–36. doi:10.7326/0003-4819-155-8-201110180-00009.
15. McGrath S, Zhao X, Steele R, Thombs BD, Benedetti A. Estimating the sample mean and standard deviation from commonly reported quantiles in meta-analysis. Stat Methods Med Res. 2020;29(9):2520–37. doi:10.1177/0962280220930545.
16. Guyatt GH, Oxman AD, Vist GE, Kunz R, Falck-Ytter Y, Alonso-Coello P, Schünemann HJ. GRADE: An emerging consensus on rating quality of evidence and strength of recommendations. BMJ. 2008;336(7650):924–6. doi:10.1136/bmj.39489.470347.AD.
17. Moher D, Liberati A, Tetzlaff J, Altman DG. Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. BMJ. 2009;339:b2535. doi:10.1136/bmj.b2535.
18. Zhang D, Shen D. Multi-modal graph convolutional networks for early detection of Alzheimer’s disease. Neuroimage. 2020;221:117090. doi:10.1016/j.neuroimage.2020.117090.
19. Battineni G, Sagaro GG, Chintalapudi N, Amenta F. Applications of machine learning in neuroimaging for early diagnosis of Alzheimer’s disease. Brain Sci. 2021;11(3):334. doi:10.3390/brainsci11030334.
20. Li X, Liu M, Zhang L, Zhao Y, Yao L, Zhu J, et al. Multimodal MRI fusion for early identification of mild cognitive impairment using DTI and fMRI. Front Aging Neurosci. 2022;14:894013. doi:10.3389/fnagi.2022.894013.
21. Sener S, Cinar A, Karahanoglu FI. Early detection of mild cognitive impairment using vision transformer models applied to resting-state fMRI. Comput Methods Programs Biomed. 2023;232:107447. doi:10.1016/j.cmpb.2023.107447.
22. Wang S, Chen X, Shen T, Chen L, Liu M. Diagnostic performance of fMRI-based radiomics in Alzheimer’s disease: A meta-analysis. Eur Radiol. 2023;33(5):3173–85. doi:10.1007/s00330-022-09047-0.
23. Zhao K, Luo C, Li J, Zhou J, Li S. Deep learning analysis of resting-state fMRI for early Alzheimer’s disease detection. Magn Reson Imaging. 2023;101:42–50. doi:10.1016/j.mri.2023.03.009.
24. Lu X, Zhang Y, Chen H, Li J. Combining resting-state fMRI with cognitive performance for early detection of Alzheimer’s disease. Front Neurosci. 2024;18:1324791. doi:10.3389/fnins.2024.1324791.
25. Bonarota R, Marini F, D’Angelo E, Cavedo E. Standardizing segmentation and preprocessing pipelines for Alzheimer’s neuroimaging research. Neuroimage Clin. 2024;41:103273. doi:10.1016/j.nicl.2024.103273.
26. Sener S, Cinar A. Slice-based attention networks improve early MCI detection from rs-fMRI. J Neural Eng. 2024;21(3):036021. doi:10.1088/1741-2552/ad3a51.
27. Li T, Zhu W, He Y, Yao Z. Multi-center resting-state fMRI harmonization for Alzheimer’s disease prediction. Neuroinformatics. 2024;22(2):345–59. doi:10.1007/s12021-023-09658-3.
28. Chen H, Liu Y, Wang Y, Zhou J. Graph neural network model for mild cognitive impairment and Alzheimer’s disease classification using rs-fMRI. Front Aging Neurosci. 2025;17:1382042. doi:10.3389/fnagi.2025.1382042.
29. Bonarota R, D’Angelo E, Marini F. Advances in multimodal MRI integration for Alzheimer’s research: methodological perspectives. Alzheimers Dement. 2025;21(1):44–53. doi:10.1002/alz.13789.
30. Dennis EL, Thompson PM. Mapping connectivity alterations in Alzheimer’s disease using fMRI. Trends Neurosci. 2023;46(2):124–38. doi:10.1016/j.tins.2022.10.007.
31. Kim H, Yoo S, Kim DJ. Graph-based deep learning approaches for Alzheimer’s disease diagnosis using neuroimaging data: A review. J Magn Reson Imaging. 2024;59(2):381–95. doi:10.1002/jmri.28991.
32. Jiang J, Kang L, Ma S, Zhang W. Functional disconnection of default mode network in Alzheimer’s disease: a meta-analytic review. Neurosci Biobehav Rev. 2023;149:105173. doi:10.1016/j.neubiorev.2023.105173.
33. Müller M, Haller S, Giannakopoulos P. Variability in fMRI preprocessing and its impact on Alzheimer’s biomarker discovery. Front Neurol. 2023;14:1210453. doi:10.3389/fneur.2023.1210453.
34. Guyatt GH, Oxman AD, Kunz R, Vist GE, Falck-Ytter Y, Schünemann HJ. Rating quality of evidence and strength of recommendations: GRADE framework. BMJ. 2022;376:e070515. doi:10.1136/bmj-2021-070515.
35. Singh A, D’Cunha NM, Ghosh A, Coxon JP. Artificial intelligence in Alzheimer’s disease neuroimaging: current status and future perspectives. Ageing Res Rev. 2025;96:102218. doi:10.1016/j.arr.2025.102218.
