Aprendizado Profundo Baseado em Atenção Multimodal para Diagnóstico da Doença de Alzheimer

A Doença de Alzheimer (AD) é o transtorno neurodegenerativo mais comum, com uma das patogêneses mais complexas, tornando difícil o suporte à decisão eficaz e clinicamente acionável. O objetivo deste estudo foi desenvolver uma nova estrutura de aprendizado profundo multimodal para auxiliar os profissionais médicos no diagnóstico da AD. Apresentamos um framework de Diagnóstico da Doença de Alzheimer Multimodal (MADDi) para detectar com precisão a presença de AD e comprometimento cognitivo leve (MCI) a partir de dados de imagem, genéticos e clínicos. MADDi é inovador pois utilizamos atenção cross-modal, que captura interações entre modalidades - um método não explorado anteriormente neste domínio. Realizamos classificação multiclasse, uma tarefa desafiadora considerando as fortes semelhanças entre MCI e AD. Comparamos com modelos anteriores de ponta, avaliamos a importância da atenção e examinamos a contribuição de cada modalidade para o desempenho do modelo. MADDi classifica MCI, AD e controles com 96,88% de precisão em um conjunto de teste separado. Ao examinar a contribuição de diferentes esquemas de atenção, descobrimos que a combinação de atenção cross-modal com auto-atenção teve o melhor desempenho, e a ausência de camadas de atenção no modelo teve o pior desempenho, com uma diferença de 7,9% nos F1-Scores. Nossos experimentos ressaltaram a importância de dados clínicos estruturados para ajudar os modelos de aprendizado de máquina a contextualizar e interpretar as modalidades restantes. Estudos de ablação extensivos mostraram que qualquer mistura multimodal de características de entrada sem acesso a informações clínicas estruturadas sofreu perdas de desempenho acentuadas. Este estudo demonstra o mérito de combinar múltiplas modalidades de entrada por meio de atenção cross-modal para fornecer um suporte à decisão de diagnóstico de AD altamente preciso.