Diagnóstico Preciso: Como a Inteligência Artificial Ajuda a Diferenciar Tipos de Demência

A demência inclui doenças que afetam a memória, o comportamento e o pensamento, sendo a doença de Alzheimer e a demência frontotemporal as mais comuns. Como essas doenças apresentam sintomas parecidos, o diagnóstico correto é difícil. Este estudo mostrou que a atividade elétrica do cérebro, medida por um exame simples e barato, pode ser analisada com inteligência artificial para identificar o tipo de demência e sua gravidade com alta precisão. Isso pode ajudar médicos a diagnosticar mais cedo e acompanhar melhor a evolução da doença.

A demência é um conjunto de doenças neurológicas caracterizadas pela perda progressiva de funções cognitivas, emocionais e sociais, causada por alterações no funcionamento do cérebro. Essas alterações afetam habilidades como memória, linguagem, atenção, tomada de decisões, comportamento e controle emocional, interferindo diretamente na autonomia das pessoas. 

Estima-se que mais de 50 milhões de indivíduos vivam com algum tipo de demência atualmente, e esse número pode quase triplicar até o ano de 2050 devido ao envelhecimento da população mundial. 

As áreas do cérebro mais frequentemente afetadas incluem o hipocampo, responsável pela memória, o córtex frontal, ligado ao comportamento e ao controle emocional, e o córtex temporal, essencial para a linguagem e o reconhecimento. Entre os vários tipos de demência, a doença de Alzheimer é a mais comum, seguida pela demência frontotemporal, que costuma causar alterações precoces de personalidade, linguagem e comportamento social.

A doença de Alzheimer é caracterizada principalmente pelo acúmulo anormal de proteínas no cérebro, o que leva à morte progressiva dos neurônios e à perda de conexões entre eles. A evolução da doença ocorre de forma gradual, começando com lapsos de memória e avançando para dificuldades graves de comunicação e dependência total. Já a demência frontotemporal afeta principalmente os lobos frontal e temporal do cérebro, regiões responsáveis pela regulação do comportamento, emoções e linguagem. 

Por causa da sobreposição de sintomas entre essas duas doenças, como alterações cognitivas e dificuldades de comunicação, a demência frontotemporal é frequentemente confundida com a doença de Alzheimer, o que pode atrasar o diagnóstico correto e o tratamento adequado. Diferenciar essas condições é clinicamente essencial, pois sua evolução, manejo e impacto na vida dos pacientes e familiares são distintos.

Para auxiliar no diagnóstico dessas doenças, diversas técnicas de imagem cerebral são utilizadas, como a ressonância magnética e a tomografia por emissão de pósitrons, que permitem visualizar alterações estruturais e metabólicas no cérebro. No entanto, esses métodos são caros, complexos e nem sempre acessíveis. 

Uma alternativa promissora é a eletroencefalografia, um exame não invasivo que registra a atividade elétrica do cérebro por meio de sensores colocados no couro cabeludo. Esse exame capta oscilações elétricas produzidas pelos neurônios, que refletem o funcionamento das redes cerebrais. Essas oscilações são tradicionalmente analisadas em diferentes faixas de frequência, cada uma associada a estados mentais e funções cognitivas específicas, como atenção, sono, memória e processamento emocional.

A análise desses sinais cerebrais, no entanto, é complexa. O sinal elétrico do cérebro é ruidoso, altamente variável entre indivíduos e muda ao longo do tempo. Para lidar com essa complexidade, pesquisadores utilizam métodos matemáticos que transformam o sinal bruto em informações mais organizadas, permitindo observar como diferentes frequências se distribuem ao longo do tempo e entre regiões do cérebro. 

Esses métodos ajudam a identificar padrões que podem indicar alterações neurológicas associadas à demência. Além disso, características estatísticas e medidas de complexidade do sinal cerebral podem fornecer pistas sobre o grau de organização ou desorganização das redes neurais.

Tradicionalmente, a inteligenia artificial foi usada para analisar esses dados cerebrais. Esses algoritmos aprendem a diferenciar padrões de sinais associados a indivíduos saudáveis e a pacientes com demência, baseando-se em características previamente selecionadas pelos pesquisadores. Embora esses métodos sejam eficientes e relativamente fáceis de interpretar, eles dependem fortemente da escolha manual das características e podem perder informações importantes presentes nos dados brutos do cérebro.

Em particular, redes neurais especializadas em analisar imagens e sinais espaciais conseguem capturar padrões relacionados à organização das regiões cerebrais, enquanto outras são projetadas para lidar com sequências temporais, permitindo acompanhar como a atividade cerebral evolui ao longo do tempo.

Neste estudo, os pesquisadores propuseram um modelo avançado que combina diferentes tipos de redes neurais para analisar simultaneamente a estrutura espacial e a dinâmica temporal da atividade  cerebral medida pela eletroencefalografia. 

O modelo foi projetado para realizar duas tarefas ao mesmo tempo: identificar se a pessoa apresenta doença de Alzheimer, demência frontotemporal ou funcionamento cognitivo normal, e estimar a gravidade do comprometimento cognitivo. Essa abordagem integrada é importante porque permite não apenas diagnosticar a doença, mas também avaliar o estágio em que ela se encontra, informação crucial para decisões clínicas e planejamento do cuidado.

Para tornar os resultados mais confiáveis e úteis para médicos, os pesquisadores também incorporaram técnicas de interpretação do modelo. Essas técnicas permitem visualizar quais regiões do cérebro e quais padrões de atividade elétrica mais influenciaram as decisões do algoritmo. 

Dessa forma, é possível verificar se o modelo está identificando sinais cerebrais já conhecidos pela neurologia, como alterações em determinadas frequências nas regiões frontais e centrais do cérebro, além de revelar possíveis novos biomarcadores ainda pouco explorados.

Os resultados mostraram que o modelo alcançou alta precisão ao diferenciar indivíduos com doença de Alzheimer, demência frontotemporal e pessoas cognitivamente saudáveis. Além disso, o sistema foi capaz de prever a gravidade da doença com erros relativamente baixos, especialmente no caso da demência frontotemporal. 

Embora a distinção entre Alzheimer e demência frontotemporal continue sendo desafiadora devido às semelhanças entre os padrões cerebrais, o uso de estratégias específicas de seleção de características melhorou significativamente a capacidade do modelo de diferenciar essas duas condições. 

Com base nisso, os pesquisadores propuseram uma abordagem em etapas, na qual primeiro se identifica se o indivíduo é saudável e, em seguida, se diferencia entre os dois tipos de demência, alcançando um desempenho clínico relevante.

Esses achados indicam que a combinação de eletroencefalografia com aprendizado profundo pode representar uma ferramenta acessível, eficiente e interpretável para o diagnóstico e acompanhamento de doenças neurodegenerativas. Ao reduzir custos e aumentar a precisão diagnóstica, esse tipo de abordagem tem potencial para ser incorporado na prática clínica, especialmente em contextos com acesso limitado a exames de imagem avançados.

LEIA MAIS:

Extraction and interpretation of EEG features for diagnosis and severity prediction of Alzheimer’s Disease and Frontotemporal dementia using deep learning

Tuan Vo, Ali K. Ibrahim, Hanqi Zhuang, and Chiron Bang

Biomedical Signal Processing and Control. Volume 112, Part C, February 2026, 108667

https://doi.org/10.1016/j.bspc.2025.108667

Abstract:

Alzheimer’s Disease (AD) is the most common form of dementia, characterized by progressive cognitive decline and memory loss. Frontotemporal dementia (FTD), the second most common form of dementia, affects the frontal and temporal lobes, causing changes in personality, behavior, and language. Due to overlapping symptoms, FTD is often misdiagnosed as AD. Although electroencephalography (EEG) is portable, non-invasive, and cost-effective, its diagnostic potential for AD and FTD is limited by the similarities between the two diseases. To address this, we introduce an EEG-based feature extraction method to identify and predict the severity of AD and FTD using deep learning. Key findings include increased delta band activities in the frontal and central regions as biomarkers. By extracting temporal and spectral features from EEG signals, our model combines a Convolutional Neural Network with an attention-based Long Short-Term Memory (aLSTM) network, achieving over 90% accuracy in distinguishing AD and FTD from cognitively normal (CN) individuals. It also predicts severity with relative errors of less than 35% for AD and approximately 15.5% for FTD. Differentiating FTD from AD remains challenging due to shared characteristics. However, applying a feature selection procedure improves the specificity in separating AD from FTD, increasing it from 26% to 65%. Building on this, we developed a two-stage approach to classify AD, CN, and FTD simultaneously. In this approach, CN is identified first, followed by the differentiation of FTD from AD. This method achieves an overall accuracy of 84% in classifying AD, CN, and FTD.