Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction

O cérebro humano muda conforme envelhecemos, assim como o resto do corpo, mas essas mudanças não ocorrem na mesma velocidade para todos. Algumas pessoas mantêm um cérebro que se parece e funciona como o de uma pessoa muito mais jovem, enquanto outras apresentam sinais de envelhecimento muito antes do que o seu certificado de nascimento sugere. Cientistas desenvolveram uma forma de medir essa diferença, conhecida como "idade cerebral". Ao alimentar programas de computador com milhares de exames cerebrais, eles ensinam o software a prever a idade de uma pessoa baseando-se apenas na estrutura do seu cérebro. Se o computador adivinhar que uma pessoa é mais velha do que ela realmente é, isso sugere que o seu cérebro envelheceu mais rápido do que a média, sinalizando potencialmente riscos ocultos à saúde. Esse conceito tornou-se uma ferramenta poderosa para compreender a saúde cerebral, mas o uso eficaz tem sido sempre bloqueado por um grande obstáculo: a privacidade. Os hospitais não podem simplesmente partilhar os exames dos seus pacientes uns com os outros para construir um modelo melhor, pois leis rigorosas protegem os dados médicos individuais. Isto cria um dilema onde os melhores modelos requerem quantidades massivas de dados de muitos lugares, mas esses dados não podem ser movidos.

Uma equipa de investigadores na França e nos Estados Unidos abordou este problema testando uma nova abordagem chamada aprendizagem federada. Em vez de reunir todos os exames cerebrais num único local central, eles mantiveram os dados trancados dentro de cada um dos dezasseis hospitais diferentes onde foram recolhidos. Eles enviaram um programa de computador para cada hospital, deixaram que ele aprendesse com os pacientes locais e, depois, trouxeram de volta apenas as lições que o programa aprendeu, não os dados do paciente em si. Isto permitiu-lhes construir um modelo único e poderoso que compreendia as nuances do envelhecimento cerebral numa população diversificada sem nunca violar as regras de privacidade. Eles aplicaram este método a um grupo específico de pacientes: 1.674 indivíduos que sofreram um tipo grave de acidente vascular cerebral (AVC) e receberam um procedimento mecânico para desobstruir os vasos sanguíneos do cérebro. Os investigadores queriam ver se este método de preservação da privacidade podia estimar com precisão a idade cerebral e, mais importante, se essa estimativa poderia prever o quão bem um paciente recuperaria as suas funções diárias três meses após o AVC.

O estudo focou-se em imagens tiradas antes de qualquer tratamento começar, especificamente um tipo de exame chamado FLAIR, que destaca fluidos e danos no cérebro. Os investigadores compararam três formas diferentes de construir os seus modelos de previsão. A primeira foi o método tradicional, onde todas as imagens de todos os dezasseis centros foram reunidas num único conjunto gigante de dados. O segundo foi o novo método federado, onde o modelo aprendeu localmente em cada local e partilhou apenas as suas atualizações. O terceiro foi um teste de base utilizando dados de apenas um hospital para ver quanto se perdia ao ignorar o resto da rede. Os resultados mostraram que, embora o método tradicional e centralizado produzisse palpites de idade mais precisos, a abordagem federada ficou assustadoramente próxima e foi significativamente melhor do que depender dos dados de um único hospital. Isto provou que o novo método podia capturar a complexidade de um grupo de pacientes grande e diversificado sem precisar de mover um único ficheiro de imagem para fora do seu hospital de origem.

O verdadeiro valor deste trabalho, no entanto, não residiu apenas na precisão dos palpites de idade, mas no que esses palpites revelaram sobre a saúde dos pacientes. Os investigadores descobriram que a "idade cerebral" calculada por estes modelos estava fortemente ligada a resultados do mundo real. Pacientes cujos cérebros pareciam mais velhos do que os seus anos reais tinham uma probabilidade significativamente maior de ter diabetes e eram muito mais propensos a ter uma recuperação deficiente três meses após o AVC. Inversamente, pacientes cujos cérebros pareciam mais jovens do que o esperado tendiam a ter melhores resultados funcionais, o que significa que eram mais propensos a recuperar a sua independência. Esta ligação manteve-se verdadeira, independentemente de o modelo ter sido construído usando os dados centralizados ou o método federado. Mesmo quando os investigadores ajustaram para outros fatores conhecidos, como a gravidade do AVC, o tempo decorrido até ao tratamento e outras condições médicas, a estimativa da idade cerebral permaneceu um forte preditor de recuperação.

O estudo também explorou como diferentes tipos de características cerebrais contribuíram para estas previsões. Alguns modelos analisaram o volume global de diferentes regiões cerebrais, enquanto outros examinaram milhares de pequenos detalhes de textura dentro da substância branca do cérebro. Os modelos mais complexos que analisaram estes detalhes finos tenderam a ser mais precisos e mostraram uma ligação mais forte com a recuperação do paciente. Curiosamente, os investigadores descobriram que a forma específica como o modelo foi treinado importava menos para o insight clínico final do que o facto de ter sido treinado num grupo grande e diversificado. Quer o modelo tivesse sido construído de forma centralizada ou federada, a mensagem central permanecia a mesma: um cérebro que parece mais velho do que deveria é um sinal de alerta para uma recuperação difícil. Isto sugere que a abordagem federada não é apenas um contorno técnico para as leis de privacidade, mas um caminho viável para criar ferramentas médicas robustas que possam ser utilizadas em diferentes hospitais.

Ao demonstrar que um modelo pode aprender de dezasseis centros diferentes sem sequer ver os dados brutos de mais do que um de cada vez, o estudo oferece uma solução prática para um grande estrangulamento na investigação médica. Mostra que os hospitais podem colaborar para melhorar o cuidado ao paciente e prever resultados sem comprometer a confidencialidade do paciente. As descobertas sugerem que, no futuro, os médicos poderão usar estes modelos seguros para a privacidade para identificar pacientes com AVC que estão em alto risco de uma recuperação deficiente precocemente, permitindo planos de reabilitação mais personalizados e intensivos. O trabalho confirma que a barreira da privacidade de dados não tem de interromper o progresso da ciência médica; com as ferramentas certas, os hospitais podem partilhar conhecimento enquanto mantêm os dados dos pacientes seguros, levando, em última análise, a um melhor cuidado para aqueles que se recuperam de algumas das lesões mais devastadoras do corpo humano.