Mempelajari Struktur Manifold Penyakit Alzheimer Pendekatan Pembelajaran Mendalam Menggunakan Autoencoder Konvolusional
Lidya Nurhapsari Prasetya Ningsih
Artikel ini membahas penggunaan teknik pembelajaran mesin klasik yang berkembang dari dekomposisi gambar, seperti analisis komponen utama, menuju algoritma dekomposisi non-linear yang lebih kompleks. Dengan munculnya paradigma pembelajaran mendalam, sekarang dimungkinkan untuk mengekstrak fitur abstrak tingkat tinggi langsung dari gambar MRI, yang menggambarkan distribusi data dalam manifold berdimensi rendah. Tujuannya adalah untuk menemukan hubungan antara gejala kognitif dan proses neurodegenerasi yang mendasarinya dengan menggabungkan informasi dari hasil tes neuropsikologis, diagnosis, dan data klinis lain dengan fitur pencitraan yang diekstrak melalui dekomposisi data-driven MRI. Penyakit Alzheimer adalah jenis penyakit neurodegeneratif yang paling umum, mempengaruhi lebih dari 5% populasi di Eropa. Diagnosa AD saat ini sering bergantung pada riwayat klinis dan hasil tes neuropsikologis seperti Mini-Mental State Exam (MMSE), yang mungkin menambah informasi yang membingungkan ke prosedur diagnosis. Oleh karena itu, memahami perkembangan penyakit dan mempelajari serta menstandarkan penanda penyakit baru sangat penting.
CAE untuk Diagnosis Demensia Studi ADNI
       Studi ini menggunakan dataset ADNI untuk menilai perkembangan MCI dan AD melalui kombinasi MRI, biomarker, dan penilaian neuropsikologis. Menggunakan kohort "ADNI1:Complete 2Yr" dengan 2182 gambar MRI, variabel seperti usia, protein Tau, Apolipoprotein E - ε4, skor MMSE, dan CDRSB dimasukkan. Metodologi melibatkan Convolutional Autoencoders (CAE), yang efektif dalam menyederhanakan gambar menjadi representasi berdimensi rendah untuk rekonstruksi. CAE terbukti superior dalam ekstraksi fitur karena pendekatannya yang sepenuhnya data-driven dan kemampuannya memodelkan hubungan non-linear. Eksperimen melibatkan klasifikasi gambar AD dengan SVM dan MLP, serta prediksi tes neuropsikologis menggunakan MLP. CAE efektif dalam membantu diagnosis demensia, dengan fitur yang diekstrak berkorelasi tinggi dengan variabel klinis dan neuropsikologis. Analisis regresi memberikan wawasan baru tentang neurodegenerasi dan korelasinya dengan kerusakan struktural dan kapasitas kognitif. Secara keseluruhan, CAE terbukti efektif dalam membantu diagnosis demensia dan memberikan pemahaman mendalam tentang hubungan antara kerusakan struktural dan kapasitas kognitif, seperti yang diukur oleh tes neuropsikologis.
Kesimpulan
Studi ini, berjudul " Mempelajari Struktur Manifold Penyakit Alzheimer: Pendekatan Pembelajaran Mendalam Menggunakan Autoencoder Konvolusional," menggabungkan teknik pembelajaran mendalam dengan data dari Alzheimer's Disease Neuroimaging Initiative (ADNI) untuk memperdalam pemahaman tentang penyakit Alzheimer. Menggunakan Convolutional Autoencoders (CAE), penelitian ini mengolah gambar MRI dari 2182 gambar yang diambil dari 479 subjek, dengan tujuan utama untuk mengekstrak fitur yang dapat memberikan wawasan baru tentang penyakit tersebut. Penelitian ini dilakukan melalui dua eksperimen: klasifikasi gambar Alzheimer dalam skenario yang berbeda dan prediksi hasil tes neuropsikologis. Hasil yang didapatkan menunjukkan adanya korelasi yang signifikan antara fitur yang diekstrak oleh CAE dengan variabel klinis dan neuropsikologis. Temuan ini menunjukkan potensi besar dari pendekatan ini dalam membantu diagnosis demensia, dan membuka peluang untuk pengembangan biomarker pencitraan baru yang dapat digunakan dalam praktik klinis, khususnya untuk mengidentifikasi dan memahami penyakit Alzheimer secara lebih efektif.
