Dissertação

Diagnosis of Alzheimer’s disease using sparse logistic regression EVALUATED

O termo Doença de Alzheimer (AD) é utilizado para descrever a condição de indivíduos com perda de funções cognitivas derivada de um processo neuro-degenerativo, que é iniciado 20 anos antes do aparecimento dos primeiros sinais de declínio. AD é a forma mais comum de demência, afetando cerca de 35.6 milhões de indivíduos em todo o mundo. Hoje em dia, apenas é possível diagnosticar casos prováveis de AD, recorrendo a estes neuropsicológicos, sendo o diagnóstico definitivo apenas possível por autópsia. Neste sentido, têm sido efetuados estudos que exploram novas técnicas de diagnóstico com base em biomarcadores. O principal objetivo da presente tese é distinguir indivíduos com AD, daqueles com Défice Cognitivo Leve e dos cognitivamente normais, com base em imagens cerebrais adquiridas anualmente por Tomografia por Emissão de ositrões (FDG-PET) e, considerando informação temporal e espacial. Assim, os métodos esparsos Logísticos denominados Lasso, Group Lasso, Tree Group Lasso e Multi-task Group Lasso foram utilizados. O Multi-task Group Lasso foi o método que demonstrou ser o mais estável e robusto, tendo-se atingido uma precisão de 90.6%, 66.5% e 68.7% na classificação de AD vs CN, AD vs MCI e MCI vs CN, respetivamente, bem como um valor de Área Abaixo da Curva (AUC) de 92.9%, 74.0% e 65.5%, para os mesmos conjuntos de amostras. Este método foi, também, aquele que acarretou custos computacionais mais elevados. Finalmente, os voxels om maior peso pertencem às regiões que os médicos consideram importantes para o diagnóstico de AD, tais como o giro parahipocampal, hipocampo e amígdala.
Doença de Alzheimer (AD), Défice Cognitivo Leve (MCI), Tomografia por emissão de positrões (PET), Modelos de regressão logística esparsa, Multi-task Lasso

Junho 24, 2016, 11:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar