A carregar...
Publicação
Early detection of Alzheimer's disease using MRI and 2D machine learning systems : enhancing clinical diagnostics
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.1 MB | Adobe PDF |
Orientador(es)
Resumo(s)
The early detection of Alzheimer’s disease (AD) is critical for effective intervention and management. However, traditional classification systems—typically limited to cognitively normal (CN), mild cognitive impairment (MCI), and AD stages—often fail to capture the clinical heterogeneity and progressive nature of cognitive decline. This study introduces a comprehensive machine learning (ML) framework to enhance AD classification using structural Magnetic Resonance Imaging (MRI). We implement a refined nine-stage system that not only subdivides MCI into Early (EMCI), transitional (MCI), and Late (LMCI) stages but also incorporates beta-amyloid biomarker status (positive/negative) for further differentiation. Our research analyzed T1-weighted MRI scans from 714 subjects from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) database, categorized into nine groups: AD, CN, Subjective Memory Complaints (SMC), and amyloid-stratified versions of EMCI, MCI, and LMCI. A robust preprocessing pipeline was applied, followed by feature extraction using Histogram and Gray-Level Co-occurrence Matrix (GLCM) methods. Pairwise classification was performed using a suite of ML classifiers belonging to Scikit-learn library and feature selection techniques. The framework demonstrated high classification accuracy across numerous stage comparisons, achieving standout results such as 97.8% for AD vs. EMCI-Negative and 95.5% for AD vs. CN. Notably, the model also effectively distinguished between adjacent MCI stages, like MCI-Negative vs. LMCI-Negative, with 94.9% accuracy. Our findings indicate that beta-amyloid status enhances discriminability and that Histogram and GLCM features provide complementary diagnostic information, with the coronal plane frequently yielding the most informative results. This multi-stage classification approach shows significant promise for improving the precision of early and differential AD diagnosis.
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.
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.
Descrição
Palavras-chave
Machine learning Artifical intelligence Alzheimer's disease Feature extraction Beta-amyloid Aprendizagem automatizada Inteligência artificial Doença de Alzheimer Extração de features Amyloid-beta
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC