FenixEdu™

Dissertação

{en_GB=Multimodal and Longitudinal Approaches to Alzheimer’s Disease Classification} {} EVALUATED

Detalhes: {pt=A doença de Alzheimer é uma doença neurodegenerativa, para a qual não se conhece a cura. No entanto, o seu progresso pode ser atrasado, quando é precocemente diagnosticada. MRI e PET são ferramentas fulcrais para este propósito, uma vez que podem ajudar a identificar a doença anos antes de aparecerem sintomas. Este trabalho analisou como é que vários classificadores se comportavam em diferentes situações. Estas incluíram classificação binária e multiclasse (até 4 classes), prever o diagnóstico futuro, prever o diagnóstico atual com base num histórico, e prever se o diagnóstico de um sujeito iria piorar. Este último cenário teve uma dificuldade acrescida, já que a representatividade de uma das classes era muito superior à da outra. As técnicas utilizadas para lidar com este efeito foram SMOTE, "random undersampling", e uma combinação das duas. Os classificadores usados foram SVM, RF, NN e RNN. Em ocasiões onde foram considerados vários intervalos de tempo, os dados de entrada tiveram de ser adaptados para SVM e RF. Para isto as "features" de todos os intervalos de tempo foram concatenadas. Para além dos classificadores já conhecidos, o kSVM foi proposto e testado. O objectivo deste classificador era melhorar o resultado do SVM para situações em que há vários intervalos de tempo, ao receber as “features” de cada intervalo de tempo separadas, em vez de concatenadas. No entanto a sua performance foi pior que a do SVM, o que significa que este classificador não é muito promissor. Foi também proposto um classificador de mudanças de diagnóstico., en=Alzheimer's disease is a degenerative brain disease, without a known cure. However, its progress can be delayed, when diagnosed in early stages. MRI and PET imaging are precious tools for this purpose, as they can help to identify this disease years before symptoms appear. The present work analyzed how several classifiers performed in different scenarios. These scenarios included binary and multiclass classification (up to 4 classes), predicting the future diagnosis, predicting the current diagnosis having access to data from multiple previous timesteps and predicting whether a subject's diagnosis would get worst. In this last scenario there was an extra obstacle, since the data was highly imbalanced. SMOTE, random undersampling, and a combination of both were the approaches used to deal with the imbalance. The classifiers used were SVM, RF, NN and RNN. In scenarios where more than one timestep was being considered, the input data was adapted to SVM and RF, by concatenating the features of all timesteps. In addition to the standard classifiers, kSVM was proposed and tested. This classifier's objective was to improve the SVM score when there were several timesteps, by breaking up the features by timestep. However, its performance proved to be worse than the one of SVM, which makes this classifier not very promising. A classifier to predict changes of diagnosis was also proposed.}
Keywords: {pt=AD, MCI, MRI, RF, RNN, SVM, en=AD, MCI, MRI, RF, RNN, SVM}

Discussão: novembro 16, 2020, 14:0