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/

Like this project

Posted Jul 8, 2025

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

Likes

Views

Clients

ADNI