Differentiation of relapsing-remitting and secondary progressive multiple sclerosis: a magnetic resonance spectroscopy study based on machine learning / Diferenciação de esclerose múltipla recorrente-remitente e progressiva secundária: um estudo de ressonância magnética com espectroscopia baseado em aprendizado de máquina

ABSTRACT

ABSTRACT Introduction: Magnetic resonance imaging (MRI) is the most important tool for diagnosis and follow-up in multiple sclerosis (MS). The discrimination of relapsing-remitting MS (RRMS) from secondary progressive MS (SPMS) is clinically difficult, and developing the proposal presented in this study would contribute to the process. Objective: This study aimed to ensure the automatic classification of healthy controls, RRMS, and SPMS by using MR spectroscopy and machine learning methods. Methods: MR spectroscopy (MRS) was performed on a total of 91 participants, distributed into healthy controls (n=30), RRMS (n=36), and SPMS (n=25). Firstly, MRS metabolites were identified using signal processing techniques. Secondly, feature extraction was performed based on MRS Spectra. N-acetylaspartate (NAA) was the most significant metabolite in differentiating MS types. Lastly, binary classifications (healthy controls-RRMS and RRMS-SPMS) were carried out according to features obtained by the Support Vector Machine algorithm. Results: RRMS cases were differentiated from healthy controls with 85% accuracy, 90.91% sensitivity, and 77.78% specificity. RRMS and SPMS were classified with 83.33% accuracy, 81.81% sensitivity, and 85.71% specificity. Conclusions: A combined analysis of MRS and computer-aided diagnosis may be useful as a complementary imaging technique to determine MS types.

RESUMO

RESUMO Introdução: A ressonância magnética é a ferramenta mais importante para o diagnóstico e acompanhamento na EM. A transição da EM recorrente-remitente (EMRR) para a EM progressiva secundária (EMPS) é clinicamente difícil e seria importante desenvolver a proposta apresentada neste estudo a fim de contribuir com o processo. Objetivo: o objetivo deste estudo foi garantir a classificação automática de grupo controle saudável, EMRR e EMPS usando a RM com espectroscopia e métodos de aprendizado de máquina. Métodos: Os exames de RM com espectroscopia foram realizados em um total de 91 amostras com grupo controle saudável (n=30), EMRR (n=36) e EMPS (n=25). Em primeiro lugar, os metabólitos da RM com espectroscopia foram identificados usando técnicas de processamento de sinal. Em segundo lugar, a extração de recursos foi realizada a partir do MRS Spectra. O NAA foi determinado como o metabólito mais significativo na diferenciação dos tipos de MS. Por fim, as classificações binárias (Healthy Control Group-RRMS e RRMS-SPMS) foram realizadas de acordo com as características obtidas por meio do algoritmo Support Vector Machine. Resultados: Os casos de EMRR e do grupo de controle saudável foram diferenciados entre si com 85% de acerto, 90,91% de sensibilidade e 77,78% de especificidade, respectivamente. A EMRR e a EMPS foram classificadas com 83,33% de acurácia, 81,81% de sensibilidade e 85,71% de especificidade, respectivamente. Conclusões: Uma análise combinada de RM com espectroscopia e abordagem de diagnóstico auxiliado por computador pode ser útil como uma técnica de imagem complementar na determinação dos tipos de EM.