Abordagem Multimodal com Inteligência Artificial para Diagnóstico Precoce de Alzheimer

Resumo

A doença de Alzheimer, forma mais prevalente de demência, é distúrbio neurodegenerativo progressivo caracterizado por comprometimento da memória, declínio cognitivo e perda da independência funcional. O desafio de detectar a doença em estágio inicial impõe ônus significativos aos sistemas de saúde em todo o mundo. Este estudo avalia a eficácia de abordagem multimodal que integra dados clínicos a biomarcadores derivados de ressonância magnética estrutural para a detecção precoce da doença de Alzheimer, comparando o desempenho preditivo de três algoritmos de aprendizado de máquina com base nesses dados. Os dados foram obtidos da Iniciativa de Neuroimagem da Doença de Alzheimer (ADNI) e processados para extrair biomarcadores clínicos e de ressonância magnética. Os algoritmos Random Forest, Support Vector Machine com kernel RBF e XGBoost foram treinados e avaliados por meio de validação cruzada aninhada. O desempenho foi avaliado por meio de acurácia, F1-score e AUC, com análise de SHAP para interpretabilidade. O modelo SVM-RBF obteve o melhor desempenho geral, com acurácia balanceada de 0,924, F1-score macro de 0,924 e AUC-ROC de 0,978, superando estatisticamente o XGBoost. A análise SHAP confirmou que as previsões foram impulsionadas por atributos clínicos e biológicos significativos, como escores cognitivos (CDR-SB, MMSE) e volumes hipocampais entorrinais. Esses achados demonstram que a integração multimodal aumenta a confiabilidade e a interpretabilidade diagnóstica, apoiando a detecção precoce e explicável da doença de Alzheimer.