Métodos de aprendizado de máquina com redes complexas aplicados à identificação precoce da doença de Alzheimer

A doença de Alzheimer (DA) é uma patologia neurodegenerativa progressiva, caracterizada pela perda de memória e de outras habilidades cognitivas. Uma vez que os danos causados pela DA não podem ser revertidos, a detecção precoce da doença em seus estágios iniciais torna-se a melhor opção para uma melhor condução clínica dos casos. Dentre os testes diagnósticos realizados para rastrear a DA, as imagens de ressonância magnética (RM) e os sinais de eletroencefalografia (EEG) têm mostrado resultados acurados, principalmente quando essas modalidades de exame são associadas a métodos de aprendizado de máquina. Apesar de diferentes métodos computacionais apresentarem boas performances na análise de dados de pacientes com a DA, a busca por biomarcadores e por atributos robustos para a detecção da doença ainda permanece um campo aberto para novas investigações. Nesse cenário, métodos baseados em redes complexas têm uma grande eficácia na modelagem, no mapeamento e na extração de informações relevantes desses dados biológicos, constituindo ferramentas poderosas que possuem potencial aplicação na investigação da DA. Dessa forma, neste trabalho, são propostas duas abordagens em redes complexas para a detecção e o estudo da evolução da DA. Dados de EEG e de RM de pacientes em diferentes condições patológicas foram analisados sob a perspectiva de redes complexas, mostrando que tal abordagem é eficaz na distinção de pacientes em diferentes estágios da doença, atingindo acurácias superiores a 75%. Em conclusão, os métodos propostos e explorados neste trabalho mostraram resultado acurados na detecção dos primeiros sinais da DA.

Resumo (inglês)

Alzheimer’s disease (AD) is a progressive neurodegenerative disorder characterized by memory loss and other cognitive impairments. Since the damage caused by AD cannot be reversed, early detection of the disease in its initial stages becomes the best option for better clinical management of the cases. Among the diagnostic tests conducted to screen for AD, magnetic resonance imaging (MRI) and electroencephalography (EEG) signals have shown accurate results, especially when these examination modalities are combined with machine learning methods. Despite different computational methods showing good performance in analyzing data from AD patients, the search for biomarkers and robust attributes for disease detection remains an open field for further investigation. In this context, methods based on complex networks are highly effective in modeling, mapping, and extracting relevant information from these biological data, forming powerful tools with potential applications in AD research. Thus, this paper proposes two complex network approaches for detecting and studying the progression of AD. EEG and MRI data from patients in different pathological conditions were analyzed from the perspective of complex networks, showing that this approach is effective in distinguishing patients at different stages of the disease, achieving accuracies greater than 75%. In conclusion, the methods proposed and explored in this paper showed accurate results in detecting the early signs of AD.

Palavras-chave

Aprendizado de máquinas, Diagnóstico, Grafos de quantis, Ressonância magnética Imagem, Sinas de EEG

Idioma

Português

Citação

VICCHIETTI, Mário Lucas. Métodos de aprendizado de máquina com redes complexas aplicados à identificação precoce da doença de Alzheimer. 2025. Tese (Doutorado em Biometria) - Instituto de Biociências, Universidade Estadual Paulista (UNESP), Botucatu, 2025.