Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética

Abstract

O avanço do aprendizado profundo tem impulsionado o uso de redes neurais convolucionais no apoio ao diagnóstico da Doença de Alzheimer por meio de imagens de ressonância magnética. No entanto, a aplicação prática desses modelos enfrenta dois desafios principais: a escassez de dados rotulados e o deslocamento de domínio, causado por variações entre scanners de diferentes fabricantes. Esse cenário compromete a generalização dos modelos em ambientes clínicos reais. Para mitigar essa limitação, surgem técnicas de adaptação de domínio não supervisionada (UDA), que permitem transferir conhecimento de um domínio fonte para um domínio alvo, mantendo a tarefa de classificação. Contudo, muitos estudos utilizam protocolos de validação inadequados, recorrendo indevidamente a rótulos do domínio alvo para ajuste de hiperparâmetros, o que não reflete a prática clínica. Este estudo propõe uma avaliação mais realista e metodologicamente rigorosa de técnicas de UDA aplicadas à classificação binária da Doença de Alzheimer com imagens do conjunto ADNI1. Foi empregada uma pipeline de pré-processamento com etapas como extração cerebral, co-registro, padronização de fatias e separação dos domínios por fabricante (Siemens, GE, Philips), garantindo a integridade entre treino e teste por sujeito. Foram avaliadas três técnicas de UDA (ATDOC, BNM e MCC) combinadas com quatro validadores (Entropia, SND, InfoMax e Oracle). O treinamento ocorreu em duas fases: na primeira, os modelos foram ajustados apenas no domínio fonte com supervisão; na segunda, aplicou-se UDA com ajuste guiado exclusivamente por validadores não supervisionados (exceto o Oracle, usado como limite superior). Os resultados demonstraram que modelos treinados apenas no domínio fonte sofreram queda substancial de desempenho em domínios distintos. A aplicação de técnicas de UDA resultou em ganhos consistentes de AUROC, especialmente em cenários com alta discrepância entre domínios. A combinação da técnica MCC com o validador Entropia obteve o melhor desempenho médio e menor variabilidade, evidenciando maior robustez. Dentre os validadores, Entropia e InfoMax mostraram-se mais eficazes, enquanto o SND apresentou instabilidade. Em síntese, os achados ressaltam o potencial da UDA para promover a generalização de modelos em cenários com mudança de domínio, mas também evidenciam que a validação permanece o principal desafio, sendo crucial o desenvolvimento de estratégias mais confiáveis para aplicações clínicas.

Abstract: The advancement of deep learning has driven the use of convolutional neural networks to support the diagnosis of Alzheimer's disease using magnetic resonance imaging. However, the practical application of these models faces two main challenges: the scarcity of labeled data and domain shift, caused by variations between scanners from different manufacturers. This scenario compromises the generalization of models in real clinical settings. To mitigate this limitation, unsupervised domain adaptation (UDA) techniques have emerged, which allow transferring knowledge from a source domain to a target domain while maintaining the classification task. However, many studies use inadequate validation protocols, inappropriately resorting to labels from the target domain for hyperparameter tuning, which does not reflect clinical practice. This study proposes a realistic and methodologically rigorous evaluation of UDA techniques applied to the binary classification of Alzheimer's disease using images from the ADNI1 set. A preprocessing pipeline with steps such as brain extraction, co-registration, slice standardization and domain separation by manufacturer (Siemens, GE, Philips) was employed, ensuring integrity between training and testing per subject. Three UDA techniques (ATDOC, BNM and MCC) combined with four validators (Entropia, SND, InfoMax and Oracle) were evaluated. Training occurred in two phases: in the first, the models were adjusted only in the source domain with supervision; in the second, UDA was applied with adjustment guided exclusively by unsupervised validators (except Oracle, used as an upper limit). The results demonstrated that models trained only in the source domain suffered a substantial drop in performance in different domains. The application of UDA techniques resulted in consistent AUROC gains, especially in scenarios with high discrepancy between domains. The combination of the MCC technique with the Entropia validator obtained the best average performance and lowest variability, evidencing greater robustness. Among the validators, Entropia and InfoMax were the most effective, while SND showed instability. In summary, the findings highlight the potential of UDA to promote model generalization in scenarios with domain change, but also show that validation remains the main challenge, and the development of more reliable strategies for clinical applications is crucial.