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

O diagnóstico precoce da doença de Alzheimer é um dos desafios mais prementes na medicina moderna, muitas vezes dependendo de médicos para examinar exames de ressonância magnética (RM) do cérebro. Essas imagens revelam a estrutura física do cérebro, mostrando como diferentes regiões encolhem ou mudam conforme a doença progride através de estágios que variam desde uma perda de memória muito leve até a demência grave. Embora especialistas humanos possam identificar essas mudanças, a tarefa é difícil porque as diferenças entre os estágios iniciais são sutis e a anatomia do cérebro é complexa. Para ajudar, cientistas recorreram à inteligência artificial, especificamente a um tipo de programa de computador conhecido como modelo de aprendizado profundo (deep learning). Esses programas atuam como microscópios digitais, treinados para reconhecer padrões em imagens médicas que o olho humano pode deixar passar. Ao combinar os insights de vários modelos de computador diferentes, os pesquisadores esperam criar um sistema que seja não apenas mais preciso, mas também mais confiável do que qualquer programa individual trabalhando sozinho.

Em um estudo recente, os pesquisadores Shashi Kant Mourya e Ajit Kr. Singh Yadav, do NERIST na Índia, desenvolveram um sistema sofisticado projetado para classificar exames cerebrais em quatro categorias distintas: não demenciada, demência muito leve, demência leve e demência moderada. A abordagem deles, descrita como um ensemble de empilhamento de dois níveis (two-level stacking ensemble), funciona reunindo as opiniões de três diferentes especialistas de inteligência artificial e, em seguida, tendo um quarto juiz, mais experiente, tomar a decisão final. Os três primeiros especialistas são redes de computador especializadas, treinadas para observar as fatias de RM. Duas dessas redes são designs estabelecidos e bem conhecidos, chamados ResNet152 e DenseNet121, que foram utilizados em muitos estudos anteriores. O terceiro especialista é uma rede construída sob medida para este projeto, chamada Shashi-CNN, que foi projetada do zero para focar nas texturas únicas encontradas em exames cerebrais.

Em vez de deixar essas três redes votarem na resposta, os pesquisadores as fizeram trabalhar juntas em uma sequência específica. Primeiro, cada rede analisou as imagens cerebrais e extraiu uma lista detalhada de características, essencialmente traduzindo os dados visuais em uma longa lista de números que descrevem a condição do cérebro. Essas listas foram então combinadas e simplificadas para remover qualquer ruído confuso, mantendo apenas as informações mais importantes. Esses dados refinados foram alimentados em um classificador de primeiro nível, um tipo de ferramenta matemática conhecida como Máquina de Vetores de Suporte (Support Vector Machine), que fez uma previsão inicial para cada imagem. Crucialmente, para garantir que o sistema não simplesmente memorizasse as respostas, os pesquisadores treinaram esta primeira camada usando um método onde o modelo era testado com dados que não haviam sido vistos durante sua fase de treinamento.

A etapa final envolveu um juiz de segundo nível, um algoritmo avançado chamado XGBoost, que atuou como um meta-aprendiz. Este juiz não olhou para as imagens cerebrais brutas; em vez disso, ele analisou as pontuações de confiança e as previsões geradas pelas três primeiras redes e pelo classificador de primeiro nível. Ao analisar como esses diferentes especialistas concordavam ou discordavam, o modelo XGBoost aprendeu a ponderar suas opiniões, decidindo qual especialista era mais confiável para cada tipo específico de exame cerebral. Essa abordagem em camadas permitiu que o sistema detectasse erros que um único modelo poderia perder, criando efetivamente uma equipe onde as fraquezas de um eram cobertas pelas forças de outro.

Os resultados deste estudo foram extraordinariamente altos. Quando testado em um conjunto de dados de 6.400 fatias de RM cerebral, o sistema completo alcançou uma taxa de precisão de quase 99,97 por cento. Isso significa que, de cada 10.000 exames, o sistema identificou corretamente o estágio da demência em 9.997 deles. O sistema apresentou um desempenho quase perfeito em todas as cinco rodadas de teste diferentes, mostrando um nível de consistência que sugere que não é apenas sorte, mas que realmente compreende os padrões da doença. Em comparação, o melhor modelo individual utilizado no estudo, o customizado Shashi-CNN, atingiu uma precisão de cerca de 98,4 por cento, enquanto os outros modelos estabelecidos pontuaram abaixo disso. Os pesquisadores confirmaram que a melhoria obtida ao utilizar a equipe completa de modelos foi estatisticamente significativa, o que significa que a diferença foi real e não fruto do acaso.

Para garantir que o sistema estava tomando decisões pelos motivos corretos, os pesquisadores utilizaram uma técnica de visualização chamada Grad-CAM. Esta ferramenta cria um mapa de calor sobre a imagem cerebral original, destacando as áreas específicas que o computador estava observando quando fez o diagnóstico. As visualizações mostraram que o modelo focou em áreas anatomicamente relevantes, como o hipocampo e as regiões corticais, que são conhecidas por encolher em pacientes com Alzheimer. Ele não se distraiu com ruídos de fundo ou partes irrelevantes da imagem. Esse foco nas estruturas biológicas corretas dá aos médicos confiança de que o sistema está aprendendo sobre a própria doença, e não apenas memorizando padrões nos dados.

Embora o estudo tenha alcançado resultados quase perfeitos no conjunto de dados que utilizou, os autores observaram que o sistema ainda não foi testado em dados de diferentes hospitais ou com diferentes tipos de máquinas de RM. O conjunto de dados continha uma mistura de exames cerebrais, mas uma categoria, representando pacientes com demência moderada, era muito menor que as outras, o que poderia influenciar como o sistema aprende. Apesar dessas limitações, o estudo demonstra que combinar múltiplos modelos de aprendizado profundo com um sistema de votação inteligente pode criar uma ferramenta poderosa para distinguir entre os estágios sutis da doença de Alzheimer. As descobertas sugerem que tal estrutura pode servir como um auxílio altamente confiável para o diagnóstico precoce, potencialmente ajudando a detectar a doença quando ela é mais tratável.