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.

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.

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

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:

Ajuste por centróides (normalização adaptativa)

Instale os requisitos (exemplo):

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

Para utilizar o modelo em Python diretamente:

Os notebooks contêm análises com métricas como:

Acurácia

Matriz de confusão

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

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).

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.

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/