Divulgação - Defesa Nº 236

Aluno: Jonathan da Silva Bandeira

Título: "Suporte ao diagnóstico da Doença de Alzheimer e Déficit Cognitivo Leve com a utilização de Técnicas de Aprendizado de Máquina para seleção de características e geração de instâncias sintéticas no aprimoramento de classificadores baseados em RNA".

Orientador: Mêuser Jorge Silva Valença

Examinador Externo : Gélson da Cruz Júnior - (UFG)

Examinador Interno : Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 31/Maio/2021 (16:00h)
Local: Formato Remoto (https://meet.google.com/own-ises-jqm)


Resumo:

Com o aumento da longevidade da população, aumentam também os riscos quanto ao desenvolvimento das chamadas Doenças Crônicas Não-Transmissíveis (DCNT), tais quais diabetes e demências, na parcela mais idosa da população. Dentre as demências, a Doença de Alzheimer (DA) foi, segundo a Organização Mundial de Saúde (OMS), a terceira principal causa de mortalidade nas Américas e na Europa no ano de 2019. Para esta enfermidade, ainda não há tratamentos que possam curá-la, mas se diagnosticada precocemente, podem ser empregados tratamentos destinados a garantir maior longevidade e qualidade de vida aos pacientes. Também é importante diagnosticar precocemente condições adversas que possam levar ao desenvolvimento desta doença, tal qual o Déficit Cognitivo Leve (DCL). Fazendo isto, é possível antecipar e prevenir o agravamento deste tipo de condição para a DA. As pesquisas na área de Inteligência Computacional vêm desenvolvendo ao longo dos anos modelos de suporte ao diagnóstico eficazes, mas que em sua maioria se baseiam em instâncias de neuroimagem. Com a possibilidade do desenvolvimento de uma vacina para DA e de exames de sangue para detecção da enfermidade, que se baseiam todos em um viés mais biomolecular, trabalhando principalmente com biomarcadores no plasma sanguíneo dos indivíduos, este trabalho utilizou uma base de dados, desenvolvida por Ray et al. (2007), baseada em um conjunto com a concentração de 120 proteínas no plasma sanguíneo de 222 pacientes diagnosticados com DA, DCL e outras demências e doenças neurológicas. Em seu trabalho original, Ray et al. (2007), utilizando de uma técnica denominada Prediction Analysis of Microarrays (PAM), obtiveram um resultado de 89% de assertividade nos testes de DA e 81% nos testes de DCL para uma assinatura contendo 18 proteínas das 120. Um ano depois, Ravetti & Moscato (2008), utilizando de classificadores com as configurações padrão do Weka, obtiveram 93% de assertividade para os testes de DA e 65% para os testes de DCL, conseguindo diminuir a assinatura para até 5 proteínas. Já em Dantas & Valença (2013), utilizando de um framework de Rede Neural Artificial com treinamento não-supervisionado denominado Reservoir Computing (RC) e de uma assinatura com 3 proteínas, se obteve uma assertividade de 94,34% para os testes de DA e 66,59% para testes de DCL. Este trabalho utilizou da técnica de Recursive Feature Elimination combinada com Random Forest para encontrar uma assinatura representativa com 8 proteínas e com uma Rede Neural Multi-Layer Perceptron de duas camadas escondidas atingiu um resultado de 93,5% de assertividade para os testes de DA e 67% para os testes de DCL. Após isto, foi utilizada uma Generative Adversarial Network para expandir artificialmente a base de dados com dados sintéticos. Esta abordagem forneceu um ganho de 4% ao desempenho nos testes de DA.

Go to top Menú