Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.270
Aluno: Giullia Braga de Albuquerque Maranhão
Orientador: Prof. Carlos Alexandre Barros de Mello
Título: An Experimental Study on the Impact of Design Choices in Deep
Learning Frameworks for Alzheimer’s Disease Diagnosis
Data: 03/02/2026
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Robin Louiset (École Normale Supérieure – PSL / Département d’Études Cognitives)
Prof. Carlos Alexandre Barros de Mello (UFPE / Centro de Informática)
RESUMO:
A doença de Alzheimer (DA) é uma condição neurodegenerativa progressiva e a principal causa de demência no mundo, representando desafios clínicos e sociais significativos. Nos últimos anos, modelos de aprendizado profundo (AP) têm mostrado resultados promissores para o diagnóstico de DA com base em dados de neuroimagem. No entanto, a implementação desses sistemas na prática clínica ainda é limitada devido a desafios relacionados à transparência dos modelos, interpretabilidade, comunicação de incertezas e sensibilidade a escolhas de projeto, como mecanismos de atenção e sequências de pré-processamento. Esta Dissertação investiga como modelos baseados em AP para diagnóstico de DA podem ser aprimorados por meio de abordagens orientadas à transparência e decisões de design informadas, relacionadas a configurações de atenção, estratégias de pré-processamento e seleção de modalidades de imagem. Utilizando dados de RM estrutural e
FDG-PET, experimentos controlados foram conduzidos com base na arquitetura LA-GMF. Essas investigações incluíram a reprodução parcial de resultados previamente reportados, a avaliação de variações na configuração de cabeças de atenção, a integração de mecanismos de rejeição baseados em incerteza e a avaliação de múltiplos pipelines de pré-processamento aplicados separadamente a cada modalidade. Os experimentos de reprodução apresentaram boa concordância com o trabalho original, com uma diferença de acurácia de apenas 2,13 pontos percentuais e uma pequena diferença de interpretabilidade de 0,057 na precisão média. As variações nas configurações de atenção demonstraram uma interação não linear entre desempenho e interpretabilidade ao aumentar o número de cabeças de atenção. A introdução de rejeição baseada em incerteza melhorou substancialmente a confiabilidade do diagnóstico, alcançando 99,38% de acurácia e 98,97% de recall para a classe DA, enquanto manteve 75,7% das amostras. Além disso, as escolhas do pré-processamento tiveram um impacto pronunciado no desempenho do modelo, com diferenças de acurácia de até 10,28pp para configurações apenas com RM e até 11,5pp para pipelines apenas com FDG-PET. Sob condições ótimas, o FDG-PET superou a RM em 9,13pp em acurácia, de acordo com a literatura que indica resultados superiores quando essa modalidade é utilizada. Em geral, os resultados fornecem evidências quantitativas de que estratégias para aprimorar a transparência, o design de mecanismos de atenção e as escolhas de pré-processamento desempenham um papel crucial no desenvolvimento de sistemas de AP confiáveis e interpretáveis para diagnóstico da doença de Alzheimer, contribuindo para o avanço da inteligência artificial em aplicações clínicas.
Palavras-chave: Diagnóstico da doença de Alzheimer. Aprendizado profundo. Transparência de modelos. Rejeição baseada em incerteza. Mecanismos de atenção. Pré-processamento de neuroimagens.
Comentários desativados