Dissertação

{en_GB=Modelling Progression of Alzheimer’s Disease with RNN} {} EVALUATED

{pt=A Doença de Alzheimer é uma forma de demência que se prevê tornar mais presente à medida que a esperança de vida aumenta. Modelar o progresso desta doença seria benéfico para a comunidade médica. O objetivo desta dissertação é de prever com precisão o diagnóstico de vários pacientes, em específico se têm esta doença ou se estão em algum estado que possa progredir para tal. Conjuntos de dados longitudinais como o ADNI fornecem dados sobre os pacientes. Neste trabalho foram usados testes cognitivos, diagnósticos clínicos, idades, e ressonâncias mágneticas. Os modelos de RNN são os mais indicados para lidar com estes dados. Para alcançar o objetivo desta dissertação, foram utilizadas várias estratégias, nomeadamente uma arquitetura de RNN nova (T-LSTM) e duas outras estratégias: o intervalo de tempo (TI) entre consultas, e modelos generativos para preencher dados em falta. Os TI não constantes estão sempre presentes neste conjunto de dados. Os modelos generativos preenchem os valores em falta com resultados derivados da distrubuição estatística dos dados. Os dois modelos generativos obtiveram melhores resultados na classificação do que a baseline e parte do estado da arte, mesmo não utilizando tantos dados como desejado. A T-LSTM permite utilizar mais dados, algo vantajoso para esta tarefa. Os resultados na classificação da nova arquitetura não foram os melhores. Concluindo, os modelos generativos são competitivos com o estado da arte e podem ter os melhores resultados nesta tarefa. A arquitetura proposta permite utilizar mais dados, mas o mecanismo de decaimento pode estar a obstruir os resultados., en=Alzheimer's Disease is a form of dementia which will become more present as life expectancy increases. Modelling the progression of this pathology would be beneficial for the medical community. The goal of this thesis is to correctly predict the diagnoses of patients, namely if they developed the disease or any stage that might lead to it. Longitudinal datasets such as ADNI provided the cognitive tests, diagnostics, patient age and MRI data which were used as features for this work. RNN based models are indicated for this task as they are best suited for longitudinal data. To achieve this goal, in addition to a new RNN architecture termed Time-Aware Long Short Term Memory Network (T-LSTM), two other strategies were tested: time intervals (TI) between consultations, and generative models for the imputation of missing data. Varying TI are always present in some datasets due to acquisition protocols. Generative models achieve imputations based on the statistical distribution data. The generative models achieved better results than the baseline imputation methods and part of the state of the art, despite not using as many features as desired. The T-LSTM allows for more data to be used than the LSTM network, creating bigger datasets which are advantageous for this task. However, its classification results are not better. Concluding, the generative methods are competitive with the state of the art and might yield the best results in this task. The T-LSTM allows for more data to be used but its decay mechanism might be hindering its results.}
{pt=Doença de Alzheimer, RNN, T-LSTM, GAN, VAE, en=Alzheimer's Disease, RNN, T-LSTM, GAN, VAE}

Julho 5, 2021, 14:0

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar