Diagnóstico automatizado da doença de Alzheimer utilizando redes neurais convolucionais

Abstract

A Doença de Alzheimer (DA) representa um desafio crescente para a saúde pública global, demandando métodos de diagnóstico mais rápidos e precisos. Este trabalho propõe um sistema automatizado para o diagnóstico da DA utilizando diferentes arquiteturas de Deep Learning aplicadas a imagens de Ressonância Magnética (MRI). O estudo visa classificar pacientes entre Controle Normal (NC), Comprometimento Cognitivo Leve (CCL) e DA, através da comparação sistemática de seis arquiteturas profundas de visão, incluindo uma Rede Neural Convolucional (CNN) customizada, modelos residuais (ResNet), modelos eficientes (EfficientNet), Vision Transformers (ViT) e Redes de Cápsulas (Caps-Net). O desempenho é avaliado por um conjunto robusto de métricas como acurácia, sensibilidade, especificidade e F1-score. Resultados indicam desempenho competitivo e o forte potencial destas arquiteturas como ferramentas de apoio ao diagnóstico clínico, oferecendo um comparativo robusto para pesquisas futuras.

Alzheimer’s Disease (AD) is a growing global public health challenge requiring faster and more accurate diagnostics. This work proposes an automated system for AD diagnosis using various Deep Learning architectures applied to Magnetic Resonance Imaging (MRI) scans. The study aims to classify patients into multiple diagnostic categories, including Normal Control (NC), Mild Cognitive Impairment (MCI), and AD, through the systematic comparison of six state-of-the-art architectures, including a customized Convolutional Neural Network (CNN), residual networks (ResNet), efficient models (EfficientNet), Vision Transformers (ViT), and Capsule Networks (CapsNet). Performance is evaluated using a robust set of metrics such as accuracy, sensitivity, specificity, and F1-score. Results show competitive performance and the strong potential of these architectures as clinical decision support tools, providing a robust benchmark for future research.