Banca de DEFESA: GIULLIA BRAGA DE ALBUQUERQUE MARANHÃO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: GIULLIA BRAGA DE ALBUQUERQUE MARANHÃO
DATA : 03/02/2026
HORA: 10:00
LOCAL: Virtual
TÍTULO:

An Experimental Study on the Impact of Design Choices in Deep
Learning Frameworks for Alzheimer’s Disease Diagnosis

 

PALAVRAS-CHAVES:

Diagnóstico da doença de Alzheimer. Aprendizado profundo.
Transparência de modelos. Rejeição baseada em incerteza. Mecanismos de
atenção. Pré-processamento de neuroimagens.

 

PÁGINAS: 84
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.

 

MEMBROS DA BANCA:
Externo à Instituição - ROBIN LOUISET - OUTRA
Interno - 1736873 - CARLOS ALEXANDRE BARROS DE MELLO
Presidente - 1675582 - CLEBER ZANCHETTIN