Early detection of Alzheimer's disease using MRI and 2D machine learning systems

: enhancing clinical diagnostics

Resumo

A deteção precoce da doença de Alzheimer (AD) é crucial para a intervenção atempada e planeamento do tratamento. No entanto, os sistemas de classificação tradicionais de três estágios (cognitivo normal (CN), deficiência cognitiva leve (MCI) e AD), que têm sido amplamente utilizados, apesar de usar apenas estes grupos de estágios da doença, podem frequentemente ignorar a heterogeneidade clínica dentro do grupo de MCI e falhar na deteção da natureza progressiva do declínio cognitivo. Com isso em mente, este estudo tem como objetivo desenvolver um algoritmo de aprendizagem automática (ML) para a classificação melhorada da AD usando dados de ressonância magnética estrutural. Além disso, é implementado um sistema refinado que subdivide os estágios MCI em MCI Precoce (EMCI), MCI, MCI Tardio (LMCI). Para mais, este sistema introduz uma nova subdivisão nos estágios de MCI já diferenciados, tendo em consideração o estado do biomarcador beta-amiloide (positivo ou negativo) para melhor diferenciação. Desta forma, a investigação consistiu na análise de exames de ressonância magnética com pesos T1 de 714 indivíduos da base de dados Alzheimer Disease Neuroimaging Initiative (ADNI), classificados em nove grupos: AD, CN, EMCI, MCI, LMCI e Queixas Subjetivas de Memória (SMC), com os grupos MCI posteriormente divididos pela positividade ou negatividade do beta-amiloide. Foi utilizado um fluxo de pré-processamento robusto para tratar das imagens, seguindo-se de uma extração de características baseadas em Histograma e Matriz de Co-ocorrência de Níveis de Cinza (GLCM), e, para treinar o modelo de inteligência artificial, foi utilizada uma classificação por pares, usando vários classificadores de aprendizagem automática. A estrutura alcançou bons resultados de classificação em múltiplas comparações de estágios da doença, com as melhores performances, em termos de precisão, obtidas nos grupos DA vs. EMCI_N (97,8%), DA vs. CN (95,5%) e MCI_N vs. LMCI_N (94,9%). Além do mais, também foi importante notar que as características GLCM e de histograma demonstraram desempenho complementar em diferentes planos anatómicos, sendo que cada plano obteve melhores resultados que outro. Por exemplo, foi o plano coronal que conseguiu gerar melhores resultados.

Data de atribuição	28 out. 2025
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Miguel Rodrigues (Supervisor) & Maria Inês Barbosa (Co-Orientador)