# A inteligência artificial aplicada à ressonância magnética ponderada em T1 é eficaz para classificar mais de dois estágios da doença de Alzheimer?

> Sim. A revisão sistemática mostra que redes neurais convolucionais alcançam acurácia média de 85,93% (variação 51,80-100%; mediana 87,70%) na classificação de mais de dois estágios da doença de Alzheimer com MRI T1. Redes neurais não convolucionais e aprendizado de máquina tradicional também apresentam bom desempenho, mas desafios metodológicos e dependência do banco de dados ADNI persistem.

Estudo citado: Basanta-Torres S, Rivas-Fernández MÁ, Galdo-Alvarez S. Artificial Intelligence for Alzheimer's disease diagnosis through T1-weighted MRI: A systematic review. Computers in biology and medicine. 2025. DOI: https://doi.org/10.1016/j.compbiomed.2025.111028. PubMed: https://pubmed.ncbi.nlm.nih.gov/40902465/

## Resposta

A doença de Alzheimer é uma das principais causas de demência, com alterações neuropatológicas heterogêneas e declínio cognitivo progressivo. A ressonância magnética (MRI) é amplamente utilizada por ser não invasiva e disponível, e a sequência T1-weighted é frequente nos protocolos, gerando grandes volumes de dados ideais para aplicações de inteligência artificial (IA).

Esta revisão sistemática avaliou estudos que usaram IA para classificar mais de dois estágios do continuum da doença de Alzheimer com base em dados de MRI T1. As redes neurais convolucionais (CNNs) foram as mais aplicadas, alcançando acurácia média de classificação de 85,93% (variação 51,80-100%; mediana 87,70%). Esse bom desempenho decorre da capacidade das CNNs de extrair características hierárquicas diretamente dos dados de imagem brutos, reduzindo a necessidade de pré-processamento extensivo.

Redes neurais não convolucionais e abordagens tradicionais de aprendizado de máquina também demonstraram desempenho forte, com acurácias médias de 82,50% (variação 57,61-99,38%; mediana 86,67%) e 84,22% (variação 33-99,10%; mediana 87,75%), respectivamente, ressaltando a importância da seleção dos dados de entrada.

Apesar dos resultados promissores, persistem desafios: heterogeneidade metodológica, riscos de overfitting e dependência do banco de dados ADNI, que limita a diversidade dos conjuntos de dados. O resumo não informa o número de estudos incluídos, nem detalhes sobre a amostra ou desenho dos estudos primários.

A aplicação clínica da IA para detecção precoce e classificação aprimorada depende da superação dessas limitações. Para o médico, os achados indicam potencial, mas ainda não há validação externa suficiente para uso rotineiro no consultório.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que avaliou estudos usando inteligência artificial para classificar mais de dois estágios da doença de Alzheimer com base em MRI T1-weighted. As CNNs foram as mais aplicadas, com acurácia média de 85,93% (variação 51,80-100%; mediana 87,70%). Redes neurais não convolucionais e aprendizado de máquina tradicional também mostraram bom desempenho, com acurácias médias de 82,50% e 84,22%, respectivamente. O resumo não informa o número de estudos incluídos nem o tamanho amostral total.

## Limitações

O resumo não informa o número de estudos incluídos, o desenho detalhado de cada estudo primário, nem o tamanho das amostras. Aponta heterogeneidade metodológica, riscos de overfitting e dependência do banco de dados ADNI, que limita a diversidade dos conjuntos de dados. Essas limitações restringem a generalização dos achados e a aplicação clínica imediata.

## Aplicação no consultório

Os resultados sugerem que a IA pode auxiliar na classificação de estágios da doença de Alzheimer, mas a heterogeneidade metodológica e a dependência de um único banco de dados (ADNI) indicam que a implementação clínica rotineira ainda requer validação externa. No consultório, o médico deve interpretar com cautela ferramentas de IA baseadas em MRI T1 e considerar a necessidade de protocolos padronizados e dados locais para treinamento e validação. A gestão do consultório pode se beneficiar do conhecimento sobre essas limitações ao avaliar tecnologias diagnósticas.

## Perguntas para aprofundar

- Quais são os principais desafios metodológicos na aplicação de IA para diagnóstico de Alzheimer com MRI T1?
- Como a dependência do banco de dados ADNI afeta a validade externa dos modelos de IA para Alzheimer?
- Qual o desempenho de redes neurais convolucionais versus métodos tradicionais na classificação de estágios da doença de Alzheimer?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/a-inteligencia-artificial-aplicada-a-ressonancia-magnetica-ponderada-em-t1-e/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.