Representação de sinais de EEG em imagens para o diagnóstico de Alzheimer: uma abordagem baseada em Deep Learning e Métodos de Interpretabilidade

Abstract

A Doença de Alzheimer (DA) é um distúrbio neurodegenerativo progressivo que afeta milhões de pessoas em todo o mundo. Os métodos tradicionais de diagnóstico dependem de técnicas de neuroimagem, como PET-CT, que são caras e de difícil acesso, especialmente em regiões com poucos recursos. O eletroencefalograma (EEG) surge como uma alternativa de baixo custo e portátil para auxiliar no diagnóstico da DA. Este estudo propõe uma abordagem que transforma sinais de EEG em imagens por meio do método ASTERI, permitindo a clas sificação de DA, demência frontotemporal (DFT) e indivíduos saudáveis utilizando modelos de deep learning. Foi utilizada uma base de dados composta por EEGs de 86 indivíduos (36 DA, 23 DFT e 29 saudáveis), gerando um total de 141,063 imagens. Diferentes modelos de deep learning foram avaliados, com o modelo ConvNeXt alcançando o melhor desempenho, atingindo acurácia e F1-score de até 0,9964 com intervalo de confiança de 95%. Os métodos de Mapas de Saliência e Gradientes Integrados foram aplicados para identificar as regiões das imagens mais relevantes no processo de classificação. Ao cruzar esses resultados com os Ma pas de Influência propostos, foi possível determinar os canais de EEG que mais contribuíram para a decisão do modelo. Os resultados sugerem que os canais das regiões occipital e fron tal desempenham um papel fundamental na diferenciação entre doenças neurodegenerativas. Além disso, foram observadas diferenças de contribuição entre os hemisférios cerebrais, corro borando estudos anteriores que indicam uma deterioração mais rápida do hemisfério esquerdo em pacientes com DA. Este estudo contribui para o desenvolvimento de ferramentas diagnós ticas baseadas em inteligência artificial, reforçando o potencial do EEG como uma modalidade acessível e não invasiva para a avaliação de doenças neurológicas.