Dissertação

{en_GB=Predicting Alzheimer’s Disease Progression: A deep Learning Approach} {} EVALUATED

{pt=A doença de Alzheimer é uma doença neurodegenerativa que causa a deterioração das funções cognitivas, afetando especialmente a população com idade mais avançada. Como a doença é considerada incurável, é da maior importância seguir os pacientes o mais cedo possível. Devido ao Défice Cognitivo Ligeiro ser considerado como uma fase inicial da doença de Alzheimer, é imperativo o desenvolvimento de ferramentas que permitam a predição de se e quando o paciente converte para Alzheimer. Nesta tese foram utilizadas metodologias de deep learning para prever com base em dados neuropsicológicos, se um paciente permanece com défice cognitivo ligeiro (sMCI) ou se converte para AD (converter MCI, cMCI). Além disto, uma nova metodologia para seleção automática das features dos dados baseada em deep learning, bem como a utilização de uma metodologia de imputação para criação de novos dados foram propostas. Para avaliar as metodologias propostas, diversos métodos de Machine Learning foram usados, bem como diferentes metodologias para equilibrar os dados, realizar a imputação e a seleção de features. Os resultados obtidos mostraram boas capacidades para os métodos propostos, obtendo valores elevados de AUC e precisão, e sendo capaz de boas predições até 5 anos antes da conversão, com valores de AUC de 0.86 e de precisão de 77%. , en= Alzheimer's Disease (AD) is a neurodegenerative condition that causes a deterioration in cognitive functions, affecting especially people of advanced age. As the disease is considered incurable, it is of the utmost importance to follow the patients as earlier as possible. In particular, as Mild Cognitive Impairment (MCI) is an early stage of Alzheimer's Disease, it is imperative to develop tools to allow predicting if and when a patient will progress from MCI to AD. In this thesis, deep learning methods were used to predict, from baseline neuropsychological data, whether a patient will remain stable MCI (sMCI) or it will convert into AD (converter MCI, cMCI). A new methodology for automated feature selection on deep learning models was also developed, as well as the use of a missing value imputation technique to perform the oversampling. To evaluate the proposed model, baseline several machine learning methods were used as well as different methodologies to balance the data, perform the missing value imputation (MVI), and Feature Selection (FS). The results obtained through it showed a good capability for the proposed methods, recording high values of AUC and accuracy, and being capable of good predictions as early as 5 years with AUC of 0.86 and accuracy of 77%. }
{pt=Doença de Alzheimer, Dados Neuropsicológicos, Previsão Prognóstica, Deep Learning, Seleção de Características, Classificação, en=Alzheimer's Disease, Neuropsychological Data, Prognostic Prediction, Deep Learning, Feature Selection, Classification}

Janeiro 21, 2021, 13:0

Orientação

ORIENTADOR

Helena Isabel Aidos Lopes Tomás

FCUL

Professor Auxiliar

ORIENTADOR

Pedro Filipe Zeferino Tomás

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar