Visual explanations of convolutional neural networks for MRI classification of Alzheimer's disease

Abstract

A Doença de Alzheimer (DA) é uma doença neurodegenerativa que afeta milhões de pessoas no mundo todo, e esse número deve aumentar significativamente nos próximos anos. Dado que não existe cura ou tratamento efetivo para a doença, o diagnóstico precoce da DA é essencial para o teste de medidas preventivas e potenciais tratamentos. Uma abordagem promissora para aumentar a acessibilidade e precisão do diagnóstico é por meio do uso de diagnóstico auxiliado por computador com Aprendizado de Máquina (ML). Uma série de metodologias foram propostas para este propósito e, em particular, a classificação de DA a partir da Ressonância Magnética (RM) cerebral foi estudada diversas vezes. No entanto, a aplicação de tais métodos em um contexto clínico ainda é difícil por uma compreensão insuficiente de como gerar explicações adequadas para decisões de modelos, com poucos estudos abordando esse tópico. O objetivo desta dissertação é abordar esta questão por meio de uma avaliação extensa de diferentes abordagens para explicações visuais da classificação da DA. Um objetivo adicional é propor um novo método de explicação baseado em referência projetado especificamente para este contexto, nomeado de Swap Test. A metodologia proposta nesta dissertação consiste em: um pipeline de pré-processamento de RM; classificação da DA usando Redes Neurais Convolucionais 2D (CNN); o método proposto Swap Test; e, finalmente, uma extensa avaliação de seis métodos de forma qualitativa e usando quatro abordagens quantitativas. Os resultados dos experimentos tem uma série de contribuições, a saber: CNNs 2D podem ser tão eficazes quanto CNNs 3D, porém sendo significativamente mais simples; o Swap Test é eficaz na geração de explicações visuais; uma inspeção visual das explicações sugere que métodos diferentes concordam sobre a região cerebral mais importante para a detecção da DA, mas também têm variações individuais; a avaliação quantitativa esclarece propriedades fundamentais dos métodos e sugere que nenhum é claramente superior. Essas contribuições ajudam a melhorar nossa compreensão sobre explicabilidade da DA, que é essencial para o uso eficaz de ML em um contexto clínico.