Diagnóstico diferencial da esquistossomose por espectroscopia ATR-FTIR integrada a algoritmos de inteligência artificial
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Fabiana Martins de Paula
Silvio Santana Dolabella
Ricardo Toshio Fujiwara
Silvio Santana Dolabella
Ricardo Toshio Fujiwara
Resumo
A esquistossomose é classificada como uma Doença Tropical Negligenciada e representa um
importante problema de saúde pública no Brasil, tendo Schistosoma mansoni como agente
etiológico na América do Sul. Os métodos diagnósticos atualmente disponíveis apresentam
limitações de acurácia, sensibilidade e especificidade, além de demandarem experiência
técnica tanto no processamento quanto na interpretação dos resultados. Neste estudo,
empregou-se a metodologia de espectroscopia no Infravermelho por Transformada de Fourier
com Reflectância Total Atenuada (ATR-FTIR) com o objetivo de identificar assinaturas
espectrais capazes de auxiliar no diagnóstico diferencial da esquistossomose. As amostras de
soro utilizadas foram obtidas do repositório do Laboratório de Imunobiologia e Controle de
Parasitos da Universidade Federal de Minas Gerais. Para a análise por ATR-FTIR foram
empregadas 54 amostras positivas para esquistossomose e 58 amostras provenientes de
indivíduos não infectados, residentes em áreas endêmicas e não endêmicas para a
esquistossomose. Todos os participantes portadores da esquistossomose apresentavam
infecção exclusiva por Schistosoma mansoni, confirmada por exames parasitológicos
complementares, garantindo a especificidade das análises. Técnicas de inteligência artificial
com foco em métodos de aprendizado de máquina foram aplicadas para classificação dos
espectros. Os resultados indicaram que o pré-processamento com a primeira derivada (1st
derivative) proporcionou o melhor desempenho do modelo, resultando em uma classificação
diagnóstica mais eficiente. Utilizando o algoritmo Random Forest foram obtidos valores de
acurácia de 80%, sensibilidade de 81%, especificidade de 79%, área sob a curva (AUC) de
0,83 e F1-score de 0,80. As características SHAP extraídas dos espectros de infravermelho
destacaram os principais modos vibracionais associados a proteínas, ácidos nucleicos e
carboidratos no soro, responsáveis pela discriminação entre indivíduos infectados e não
infectados por S. mansoni. Desse modo, o uso da técnica ATR-FTIR associada ao aprendizado
de máquina mostra-se um método de triagem promissor para áreas endêmicas, principalmente
por se tratar de uma ferramenta não invasiva, altamente sensível e livre de reagentes.
Abstract
Schistosomiasis is classified as a Neglected Tropical Disease and represents an important
public health problem in Brazil, with Schistosoma mansoni as the etiological agent in South
America. The currently available diagnostic methods present limitations in accuracy,
sensitivity, and specificity, in addition to requiring technical expertise both in sample
processing and in result interpretation. In this study, Fourier Transform Infrared Spectroscopy
with Attenuated Total Reflectance (ATR-FTIR) was employed to identify spectral signatures
capable of assisting in the differential diagnosis of schistosomiasis. Serum samples were
obtained from the repository of the Laboratory of Immunobiology and Parasite Control at the
Federal University of Minas Gerais. For ATR-FTIR analysis, 54 serum samples from
individuals positive for schistosomiasis and 58 from non-infected individuals living in
endemic and non-endemic areas were used. All schistosomiasis-positive participants
presented exclusive infection by Schistosoma mansoni, confirmed through complementary
parasitological examinations, ensuring the specificity of the analyses. Artificial intelligence
techniques, focusing on machine learning methods, were applied for spectral classification.
The results indicated that preprocessing with the first derivative provided the best model
performance, resulting in more efficient diagnostic classification. Using the Random Forest
algorithm, accuracy, sensitivity, specificity, area under the curve, and F1-score values of 80%,
81%, 79%, 0.83, and 0.80, respectively, were obtained. SHAP features extracted from the
infrared spectra highlighted the main vibrational modes associated with proteins, nucleic
acids, and carbohydrates in serum, responsible for discriminating between individuals
infected and non-infected with S. mansoni. Therefore, the use of ATR-FTIR combined with
machine learning proves to be a promising screening method for endemic areas, particularly
due to its non-invasive, highly sensitive, and reagent-free nature.
Assunto
Parasitologia, Doenças Negligenciadas, Esquistossomose, Schistosoma mansoni, Espectroscopia de Infravermelho com Transformada de Fourier
Palavras-chave
Doença tropical negligenciada, Assinaturas espectrais, Schistosoma mansoni