Modelo ativo e explicável de aprendizagem computacional para deteção automática da doença de Alzheimer

Abstract

Alzheimer's disease is a global health concern, associated with neurodegeneration of the human brain and, consequently, loss of memory and ability to communicate. Since this disease has no cure to date, it is essential that it is detected early so that strategies can be devised to slow down its progress, such as cognitive stimulation.The aim of this study was to include Artificial Intelligence (IA) in the process of diagnosing Alzheimer's disease, as a tool to help detect small signs of this disease that may go unnoticed by the human eye, through MRI images of the brain. For this purpose, a dataset taken from the Kaggle platform was used, consisting of 6400 MRI images of the brains of various patients, grouped into four classes, corresponding to the early stages of the disease: Non Demented, Very Mild Demented, Mild Demented and Moderate Demented. In a first phase, ML models were developed using the VGG-16, VGG-19 and ResNet-50 architectures, all of which are well-recognized CNN. The results show that these models perform well when trained and tested, obtaining values above 86% for the precision, recall and f1-score metrics and above 75% for the Cohen's Kappa and CAA metrics.In the next phase, we implemented AL in order to try to mitigate the limitations of dataset and improve the model's performance, also using the ResNet-50 architecture for this purpose, as it was the one that showed the best performance in the previous phase. The results of this model show that this technique was not so successful, obtaining values close to 68% for the precision, recall and f1-score metrics, 48% for Cohen's Kappa and 58% for CAA.In a final phase, after evaluating the performance of the proposed models, and in order to increase confidence in their accuracy, a XAI technique was applied, the LIME, which allows us to see which areas of the brain the model considered for its decision-making.These results contribute to advances in health monitoring and intervention, directing future efforts towards a more personalized and effective approach. With the current project, which tests the collaboration between humans and IA, it may be possible to broaden new avenues for processing data and making predictions about adherence to treatments/interventions in neurodegenerative diseases.

A doença de Alzheimer é uma preocupação global na área da saúde, associada à neurodegeneração do cérebro humano e, consequentemente, à perda de memória e capacidade de comunicação. Uma vez que, até ao momento, esta doença não tem cura, é fundamental que seja detetada atempadamente para que se possam delinear estratégias para retardar o seu progresso, como por exemplo a estimulação cognitiva.Este estudo teve como objetivo a inclusão da IA no processo de diagnóstico da doença de Alzheimer, como ferramenta de auxílio para detetar, através de imagens MRI do cérebro, pequenos sinais desta doença que possam passar despercebidos ao olho humano.Para esse efeito, foi utilizado um dataset retirado da plataforma Kaggle constituído por 6400 imagens por MRI do cérebro de diversos pacientes, agrupadas em quatro classes, correspondentes às fases iniciais da doença: Non Demented, Very Mild Demented, Mild Demented e Moderate Demented. Numa primeira fase, foram desenvolvidos modelos ML, utilizando as arquiteturas VGG-16, VGG-19 e ResNet-50, todas elas CNN bastante reconhecidas. Os resultados demonstram que estes modelos apresentam bons desempenhos quando treinados e testados, obtendo valores acima de 86\% para as métricas de precision, recall e f1-score e acima de 75% para as métricas de Cohen's Kappa e CAA.Numa fase seguinte, procedeu-se à implementação de AL, de modo a tentar mitigar as limitações do dataset e melhorar a performance do modelo, utilizando também para esse efeito a arquitetura ResNet-50, por ser a que apresentou o melhor desempenho na fase anterior. Os resultados deste modelo mostram que esta técnica não foi tão bem sucedida, obtendo valores de próximos de 68% para as métricas de precision, recall e f1-score, 48% para Cohen´s Kappa e 58% para CAA.Numa fase final, após a avaliação do desempenho dos modelos propostos, e de modo a aumentar a confiança nas suas precisões, foi aplicada uma técnica de XAI, o LIME, que permite perceber quais foram as zonas do cérebro que o modelo considerou para a sua tomada de decisão.Estes resultados contribuem para o avanço no controlo e intervenção na saúde, direcionando futuros esforços para uma abordagem mais personalizada e eficaz. Com o projeto atual, que testa a colaboração entre humanos e a IA, pode ser possível alargar novos caminhos para o tratamento de dados e fazer previsões sobre a adesão a tratamentos/intervenções em doenças neurodegenerativas.