TAZ-TFG-2021-060


Selección de características en deep-learning para el análisis de la enfermedad de Alzheimer a partir de imagen y genética

Armunia Hinojosa, Javier
Hernández Giménez, Mónica (dir.) ; Mayordomo Cámara, Elvira (dir.)

Universidad de Zaragoza, EINA, 2021
Informática e Ingeniería de Sistemas department, Lenguajes y Sistemas Informáticos area

Graduado en Ingeniería Informática

Abstract: El objetivo de este trabajo es reproducir el estudio realizado en L. Yuanyuan et al., Deep
Feature Selection and Causal Analysis of Alzheimer’s Disease, Frontiers in Neuroscience, 2019
[1]. El estudio consiste en el desarrollo de un sistema que integra deep learning, feature
selection, inferencia causal y análisis genéticos y de imágenes para la predicción y una mejor
comprensión de las causas de la enfermedad de Alzheimer.
En el estudio utilizamos imágenes cerebrales en tres dimensiones, obtenidas mediante la
técnica de resonancia magnética Diffusion Tensor Imaging (DTI) y datos genéticos de los
pacientes. Contamos con un dataset de imágenes DTI de 112 pacientes (51 AD y 62 CN), cada
uno con imágenes en cuatro puntos temporales: baseline, 6 meses, 12 meses y 24 meses. El
dataset de datos genéticos se compone del genoma de 79 pacientes, del cual tras su
procesado hemos obtenido los 40 genes con los que hemos realizado los experimentos.
El trabajo desarrollado ha consistido, en realizar un preprocesado de las imágenes consistente
en un registro lineal y no lineal a un atlas estándar y un control de calidad e imputación de los
datos genéticos utilizando los datos de referencia de 1000 Genomes. A continuación se ha
diseñado un modelo de red neuronal convolucional de tres dimensiones para obtener la
probabilidad de que un paciente padezca Alzheimer, estimada a partir de una imágen DTI de su
cerebro. Posteriormente, se ha realizado un procedimiento de interpretabilidad de redes
neuronales conocido como Prediction Difference Analysis, consistente en ocultar parte de la
información de la imágen de entrada para observar la variación en la predicción con el objetivo
de obtener las regiones cerebrales a las que la red neuronal da más importancia a la hora de
predecir la probabilidad de Alzheimer de un paciente.
Finalmente, se han realizado dos experimentos de descubrimiento causal que buscan
determinar la dirección de la causalidad entre la enfermedad de Alzheimer y las regiones
cerebrales, y entre las regiones cerebrales y los genes, es decir en descubrir si la dirección de la
causalidad es X → Y ( X causa Y ) o Y → X ( Y causa X ). Esto se ha abordado mediante la
construcción de dos redes generativas adversarias condicionales (CGAN) que aprenderán a
generar la distribución de X dado Y y la distribución de Y dado X . Los modelos resultantes
se han evaluado mediante un Classifier 2 Sample Test (C2ST), el cual consiste en un método de
clasificación que intenta distinguir entre los ejemplos generados por una CGAN y los reales. Si
el clasificador no es capaz de distinguir entre los dos conjuntos, es decir, si obtiene una
precisión cercana al 50%, significa que la CGAN ha conseguido modelar de forma exitosa la
distribución objetivo. Determinaremos que la dirección de causalidad correcta es la que
obtenga una precisión menor en su C2ST.
Mediante el experimento de interpretabilidad se ha descubierto que el ventrículo es una
región a la que la red neuronal presta especial atención al predecir Alzheimer a partir de las
imágenes de DTI. Con los experimentos de búsqueda causal hemos encontrado relevancia
estadística en la causalidad de todas las ROI analizadas con la dirección ROI → AD y hemos
obtenido relevancia en 14 de los genes analizados, destacando el gen CD33, relacionado con el
Alzheimer y el SCYL1 relacionado con la atrofia cerebral.


Tipo de Trabajo Académico: Trabajo Fin de Grado

Creative Commons License

El registro pertenece a las siguientes colecciones:
Academic Works > Trabajos Académicos por Centro > escuela-de-ingeniería-y-arquitectura
Academic Works > End-of-grade works



Back to search

Rate this document:

Rate this document:
1
2
3
 
(Not yet reviewed)