A2INET – Alzheimer’s Disease MRI Classification by Sharles Maurício MarianoA2INET – Alzheimer’s Disease MRI Classification by Sharles Maurício Mariano

A2INET – Alzheimer’s Disease MRI Classification

Sharles Maurício Mariano

ML Engineer

pandas

Python

Healthcare

A2INET – Alzheimer’s Disease MRI Classification

Este repositório contém a implementação e aplicação do algoritmo A2INET (Adaptive Artificial Immune Network) para a classificação de imagens de ressonância magnética (MRI) de pacientes com diferentes estágios relacionados à Doença de Alzheimer. O projeto utiliza a base ADNI (Alzheimer’s Disease Neuroimaging Initiative) e aplica técnicas de aprendizado de máquina inspiradas no sistema imunológico.

📂 Estrutura do Projeto

modelo_a2inet.py: Implementação do classificador A2INET.

A2INET_modelo-3Classes.ipynb: Classificação entre três classes: CN (Cognitivamente Normal), MCI (Comprometimento Cognitivo Leve) e AD (Doença de Alzheimer).

A2INET_modelo-3Classes_CN_AD.ipynb: Classificação binária entre CN e AD.

A2INET_modelo-3Classes_CN_MCI.ipynb: Classificação binária entre CN e MCI.

A2INET_modelo-3Classes_MCI_AD.ipynb: Classificação binária entre MCI e AD.

🧠 Objetivo

Explorar o uso de um modelo bioinspirado para detectar padrões em exames de neuroimagem e auxiliar na diferenciação de estágios da Doença de Alzheimer.

🧬 Sobre o Modelo A2INET

O A2INET é um classificador baseado em princípios da imunologia artificial. Ele utiliza um processo de clonagem, mutação e adaptação centrado em células de memória, com suporte a:

Mutação adaptativa

Adição dinâmica de memória

Ajuste por centróides (normalização adaptativa)

⚙️ Como Executar

Instale os requisitos (exemplo):

pip install numpy scikit-learn

Execute os notebooks desejados (.ipynb) para treinar e testar o modelo com diferentes combinações de classes.

Para utilizar o modelo em Python diretamente:

from modelo_a2inet import A2INET

model = A2INET(n_clones=5, n_epochs=3, mutation_rate=0.1)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

📊 Métricas

Os notebooks contêm análises com métricas como:

Acurácia

Matriz de confusão

Relatório de classificação (precision, recall, f1-score)

🗂️ Dataset

As imagens utilizadas fazem parte do projeto ADNI, e foram previamente processadas e convertidas em vetores de características (por PCA, redes neurais ou extração manual).

✨ Resultados Esperados

O modelo demonstrou bom desempenho na diferenciação entre os grupos CN, MCI e AD. A inclusão da adaptação e do ajuste por centróide aumenta a precisão especialmente nos casos fronteiriços.

📌 Referências

Martinelli et al. (2013) – Artificial Immune Systems para detecção de sensor drift

Magna et al. (2016) – A2INET para assimetria em mamografias

ADNI Initiative: http://adni.loni.usc.edu/

Loading this content connects you to GitHub Gist.

GitHub Gist privacy information

Like this project

Posted Jul 8, 2025

Implemented A2INET for MRI classification in Alzheimer's stages using ADNI dataset.

Likes

Views

Clients

ADNI