A 2-Level Stacking Ensemble Framework for Multi-Class Alzheimer’s Disease Diagnosis Using CNN Feature Extractors and SVM-XGBoost Classifiers

Het vroegtijdig diagnosticeren van de ziekte van Alzheimer is een van de meest urgente uitdagingen in de moderne geneeskunde, waarbij vaak op artsen wordt vertrouwd om magnetische resonantie-imaging (MRI)-scans van de hersenen te onderzoeken. Deze beelden onthullen de fysieke structuur van de hersenen en laten zien hoe verschillende regio's krimpen of veranderen naarmate de ziekte vordert door stadia die variëren van zeer milde geheugenverlies tot ernstige dementie. Hoewel menselijke experts deze veranderingen kunnen opmerken, is de taak moeilijk omdat de verschillen tussen de vroege stadia subtiel zijn en de anatomie van de hersenen complex is. Om te helpen, hebben wetenschappers zich tot kunstmatige intelligentie gewend, specif genoemd een type computerprogramma dat bekend staat als een deep learning-model. Deze programma's fungeren als digitale microscopen, getraind om patronen in medische beelden te herkennen die het menselijk oog misschien mist. Door de inzichten van verschillende computer-modellen te combineren, hopen onderzoekers een systeem te creëren dat niet alleen nauwkeuriger maar ook betrouwbaarder is dan elk enkel programma dat alleen werkt.

In een recente studie hebben onderzoekers Shashi Kant Mourya en Ajit Kr. Singh Yadav van NERIST in India een geavanceerd systeem ontwikkeld dat ontworpen is om hersenscans te classificeren in vier afzonderlijke categorieën: niet-gedementeerd, zeer licht gedementeerd, licht gedementeerd en matig gedementeerd. Hun aanpak, beschreven als een twee-niveau stacking ensemble, werkt door de meningen van drie verschillende kunstmatige intelligentie-experts te verzamelen en vervolgens een vierde, meer ervaren rechter de uiteindelijke beslissing te laten nemen. De eerste drie experts zijn gespecialiseerde computernetwerken die getraind zijn om naar de MRI-coupes te kijken. Twee van deze netwerken zijn bekende, gevestigde ontwerpen genaamd ResNet152 en DenseNet121, die in veel eerdere studies zijn gebruikt. De derde expert is een op maat gemaakt netwerk dat specifiek voor dit project is ontwikkeld, genaamd de Shashi-CNN, die vanaf de basis is ontworpen om zich te concentreren op de unieke texturen die in hersenscans worden gevonden.

In plaats van deze drie netwerken te laten stemmen op het antwoord, lieten de onderzoekers hen samenwerken in een specifieke volgorde. Eerst analyseerde elk netwerk de hersenbeelden en extraheerde een gedetailleerde lijst met kenmerken, wat in feite de visuele data vertaalde naar een lange lijst met getallen die de conditie van de hersenen beschrijven. Deze lijsten werden vervolgens gecombineerd en vereenvoudigd om verwarrende ruis te verwijderen, waarbij alleen de belangrijkste informatie werd behouden. Deze verfijnde data werd gevoed aan een eerste-niveau classifier, een type wiskundig hulpmiddel dat bekend staat als een Support Vector Machine, die een initiële voorspelling voor elk beeld maakte. Cruciaal was dat om te garanderen dat het systeem de antwoorden niet simpelweg zou memoriseren, de onderzoekers dit eerste laag getraind hadden met een methode waarbij het model werd getest op data die het niet had gezien tijdens de trainingsfase.

De laatste stap omvatte een tweede-niveau rechter, een geavanceerd algoritme genaamd XGBoost, dat fungeerde als een meta-learner. Deze rechter keek niet naar de ruwe hersenbeelden; in plaats daarvan keek hij naar de betrouwbaarheidsscores en voorspellingen gegenereerd door de eerste drie netwerken en de eerste-niveau classifier. Door te analyseren hoe deze verschillende experts het met elkaar eens waren of van mening verschilden, leerde het XGBoost-model hun meningen te wegen, waarbij het besliste welke expert het meest betrouwbaar was voor elk specifiek type hersenscan. Deze gelaagde aanpak stelde het systeem in staat om fouten te vangen die een enkel model mogelijk zou missen, waardoor effectief een team werd gecreëerd waarbij de zwaktes van de een werden opgevangen door de sterktes van de ander.

De resultaten van deze studie waren opmerkelijk hoog. Wanneer het volledige systeem werd getest op een dataset van 6.400 hersen-MRI-coupes, bereikte het een nauwkeurigheidspercentage van bijna 99,97 procent. Dit betekent dat van elke 10.000 scans het systeem in 9.997 gevallen de fase van dementie correct identificeerde. Het systeem presteerde bijna perfect over alle vijf de verschillende testrondes, wat een niveau van consistentie laat zien dat suggereert dat het niet slechts geluk is, maar werkelijk de patronen van de ziekte begrijpt. Ter vergelijking: het beste enkele model dat in de studie werd gebruikt, de op maat gemaakte Shashi-CNN, bereikte een nauwkeurigheid van ongeveer 98,4 procent, terwijl de andere gevestigde modellen lager scoorden. De onderzoekers bevestigden dat de verbetering verkregen door het gebruik van het volledige team van modellen statistisch significant was, wat betekent dat het verschil echt was en niet door toeval kwam.

Om te verzekeren dat het systeem beslissingen nam op basis van de juiste redenen, gebruikten de onderzoekers een visualisatietechniek genaamd Grad-CAM. Dit hulpmiddel maakt een heatmap over het originele hersenbeeld, waarbij de specifieke gebieden wordt geaccentueerd waar de computer naar keek toen het een diagnose stelde. De visualisaties lieten zien dat het model zich concentreerde op anatomisch relevante gebieden, zoals de hippocampus en de corticale regio's, die bekend staan om hun krimp bij patiënten met Alzheimer. Het liet zich niet afleiden door achtergrondruis of irrelevante delen van de afbeelding. Deze focus op de juiste biologische structuren geeft artsen het vertrouwen dat het systeem leert over de ziekte zelf, in plaats van alleen patronen in de data te memoriseren.

Hoewel de studie bijna perfecte resultaten behaalde op de dataset die zij gebruikten, merkten de auteurs op dat het systeem nog niet is getest op data van andere ziekenhuizen of met andere soorten MRI-machines. De dataset bevatte een mix van hersenscans, maar één categorie, die patiënten met matige dementie vertegenwoordigt, was veel kleiner dan de andere, wat de manier waarop het systeem leert zou kunnen beïnvloeden. Ondanks deze beperkingen demonstreert de studie dat het combineren van meerdere deep learning-modellen met een slim stemsysteem een krachtig hulpmiddel kan creëren voor het onderscheiden van de subtiele stadia van de ziekte van Alzheimer. De bevindingen suggereren dat een dergelijk framework als een zeer betrouwbare hulp kan dienen voor vroege diagnose, wat potentieel kan helpen om de ziekte te ontdekken wanneer deze het meest behandelbaar is.