Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

O cérebro humano não é um órgão estático; ele muda de forma e estrutura à medida que envelhecemos. Assim como nossa pele desenvolve rugas ou nossos ossos perdem densidade com o tempo, o cérebro passa por uma transformação natural e gradual. Cientistas aprenderam a medir essas mudanças usando a ressonância magnética, ou RM, para criar um conceito chamado "idade cerebral". Este é um número que estima a aparência da idade do cérebro de uma pessoa com base em sua estrutura física, em vez de quantos anos ela realmente viveu. Se um cérebro parece mais velho do que a idade real da pessoa, isso pode sinalizar que o órgão está sob estresse ou em risco de doenças como a demência. Durante anos, pesquisadores usaram essa ideia para tentar detectar problemas de saúde precocemente. No entanto, as ferramentas usadas para calcular essa idade cerebral possuem uma falha significativa: elas foram construídas quase inteiramente usando dados de pessoas na América do Norte, Europa e Austrália. Esses modelos assumem que todos os cérebros humanos envelhecem da mesma forma, independentemente de onde a pessoa vive ou de qual seja sua origem. Essa suposição ignora o fato de que a genética, o ambiente e até mesmo as máquinas específicas usadas para tirar as imagens podem influenciar a aparência de um céreão.

Uma equipe de pesquisadores partiu para testar se essas ferramentas de origem ocidental funcionam para pessoas na África, especificamente na Nigéria. Eles recorreram ao Africa Neuroimaging Archive (AfNiA), um banco de dados multi-institucional contendo mais de 11.000 exames cerebrais clínicos de todo o continente. Desse vasto arquivo, eles selecionaram cuidadosamente 309 exames de adultos nigerianos neurologicamente saudáveis, o que significa que não apresentavam doenças ou anormalidades cerebrais conhecidas. Esses exames específicos vieram de diversas fontes, incluindo hospitais públicos e privados na Nigéria, e foram realizados utilizando cinco tipos diferentes de máquinas de RM. Muitas dessas imagens não eram as fotos 3D nítidas e de alta resolução tipicamente usadas em pesquisas; em vez disso, eram frequentemente fatias 2D mais rápidas e de menor qualidade, tiradas para movimentar os pacientes rapidamente pela clínica. Para tornar essas imagens utilizáveis para o estudo, a equipe usou um programa de computador para converter as fatias 2D em imagens 3D, preenchendo efetivamente as lacunas para criar uma imagem completa do cérebro. Eles então passaram essas imagens por uma verificação de qualidade rigorosa, removendo quaisquer exames que estivessem muito borrados ou distorcidos para serem úteis, garantindo que seu conjunto de dados final fosse o mais confiável possível diante das restrições do mundo real.

Com seu conjunto de dados limpo pronto, a equipe treinou um novo modelo de computador para aprender a relação entre a estrutura cerebral e a idade especificamente para esta população nigeriana. Eles ensinaram o modelo a observar o tamanho e a forma de diferentes regiões cerebrais e a prever a idade da pessoa. Quando testaram este novo modelo, ele fez previsões que estavam erradas por uma média de cerca de 9,8 anos antes de aplicarem um ajuste estatístico padrão. Após fazer uma correção simples para compensar uma tendência comum nesses modelos de superestimar a idade de pessoas mais jovens e subestimar a de pessoas mais velhas, o erro caiu significamente para apenas 6,4 anos. Este nível de precisão é comparável aos melhores modelos treinados em conjuntos de dados grandes e de alta qualidade do Norte Global, mas foi alcançado usando dados que eram muito mais representativos da população local.

Para ver quão bem os antigos modelos importados se sairiam, os pesquisadores testaram quatro ferramentas estabelecidas de idade cerebral diferentes nos mesmos dados nigerianos. Essas ferramentas haviam sido treinadas em dezenas de milhares de exames de pessoas no Reino Unido, EUA e Europa. Os resultados foram gritantes. Os modelos importados cometeram erros muito maiores, com alguns errando por mais de 16 anos em média. Um dos modelos de aprendizado profundo mais avançados, que havia sido elogiado por sua capacidade de generalização para novos grupos, falhou completamente em uma pequena parte dos exames, sendo incapaz de processar as imagens. Outro modelo teve um desempenho tão ruim que acabou prevendo a direção errada do envelhecimento para o grupo. Os pesquisadores descobriram que esses modelos estavam essencialmente tentando forçar os cérebros nigerianos a se ajustarem a um padrão que nunca haviam visto, levando à confusão e a resultados imprecisos. O estudo mostrou que mesmo as ferramentas mais sofisticadas não podem simplesmente ser transferidas entre continentes sem perder sua confiabilidade.

O estudo também destacou os desafios práticos de levar essas tecnologias para ambientes com recursos limitados. Embora o novo modelo construído fosse preciso, o processo de preparação das imagens exigiu uma quantidade tremenda de tempo. Converter e analisar os exames para todos os 309 participantes exigiu quase 40 dias de processamento contínuo de computador. Este gargalo, causado pela necessidade de decompor as imagens cerebrais em partes específicas antes que o modelo pudesse lê-las, é um grande obstáculo para o uso dessas ferramentas em hospitais movimentados, onde a velocidade é essencial. Os pesquisadores observaram que, embora métodos mais novos e rápidos existam, eles geralmente exigem computadores poderosos e caros que não estão disponíveis em muitas partes da África. Isso cria um difícil equilíbrio: os modelos mais precisos são lentos e caros demais para serem usados amplamente, enquanto os modelos mais rápidos são frequentemente menos precisos ou falham totalmente nos dados locais.

Em última análise, este trabalho demonstra que o caminho para uma melhor saúde cerebral na África exige uma abordagem diferente. Não basta pegar as ferramentas desenvolvidas em nações ricas e aplicá-las às populações africanas. Os pesquisadores mostraram que, ao usar dados locais para construir modelos locais, eles puderam alcançar resultados que eram tanto mais precisos quanto mais relevantes para as pessoas estudadas. Eles concluíram que o futuro da saúde cerebral global depende da criação de um ecossistema diversificado de ferramentas, cada uma validada para as populações específicas que pretendem ajudar. À medida que continuam a reunir mais dados por todo o continente, eles esperam refinar ainda mais esses modelos, criando eventualmente um sistema que possa identificar confiavelmente indivíduos em risco de envelhecimento cerebral acelerado, permitindo intervenção precoce e melhor cuidado para milhões de pessoas que há muito têm sido deixadas de fora da conversa.