Deep Learning Methods for Classification Alzheimer's Disease

Abstract

Alzheimer's disease (AD) is a progressive and irreversible brain disorder that affects memory, thinking, and behavior. It is the leading cause of dementia. Early diagnosis can slow the progression of Alzheimer's disease and improve the prognosis and increase the quality and quantity of patient care. One of the primary methods in early diagnosis is electroencephalography (EEG), which has been indicated as a promising method for detecting aberrant brain patterns associated to Alzheimer's disease in aspects of low cost, noninvasive, and portability. Furthermore, artificial intelligence tools have been essential in developing models that facilitate disease diagnosis and detection. Deep learning is a promising approach for such applications; however, it requires a reliable dataset. Due to the patient's rights, researchers may not be able to access a sufficient dataset to train the network. This work aims to propose a model to address this issue. Frist, Generative Adversarial Networks (GNN) model is presented to generate an artificial EEG dataset for Alzheimer's disease. It may be employed to understand brain processes better and make more accurate medical diagnoses for Alzheimer's disease using deep learning tools. Then four models have been focused on, Convolutional neural Network (CNN), Recurrent Neural Network (RNN), Multi-layer perceptron (MLP) and Transformer, to classify the Alzheimer's EEG signals. The results show that the GNN model can generate reliable artificial EEG signals for Alzheimer's disease in related channels. Moreover, the proposed models achieve accurate classification with a high accuracy 99.98 %, 99.76 %, 97.58 %, and 97.34 % respectively. Our study has demonstrated that the proposed methodologies serve as a promising complementary tool for identifying potential biomarkers that can aid in the clinical diagnosis of Alzheimer's disease.

Alzheimer hastalığı (AD), hafızayı, düşünmeyi ve davranışı etkileyen ilerleyici ve geri döndürülemez bir beyin bozukluğudur. Bunaklığın önde gelen nedenidir. Erken teşhis, Alzheimer hastalığının ilerlemesini yavaşlatabilir, prognozu iyileştirebilir ve hasta bakımının nitelik ve niceliğini artırabilir. Erken tanıda birincil yöntemlerden biri; düşük maliyetli, invazif olmayan ve taşınabilirlik açılarından Alzheimer hastalığı ile ilişkili anormal beyin modellerini saptamak için umut verici bir yöntem olarak belirtilen elektroensefalografidir (EEG). Ayrıca, yapay zeka araçları, hastalık teşhisini ve tespitini kolaylaştıran modellerin geliştirilmesinde de önemli olmuştur. Derin öğrenme, bu tür uygulamalar için gelecek vaat eden bir yaklaşımdır; ancak güvenilir bir veri seti gerektirir. Hasta hakları nedeniyle, araştırmacılar ağı eğitmek için yeterli bir veri setine erişemeyebilirler. Bu çalışma, bu sorunu çözmek için bir model önermeyi amaçlamaktadır. İlk olarak, Alzheimer hastalığı için yapay bir EEG veri seti oluşturmak üzere, Üretken Çekişmeli Ağlar (GNN) modeli sunulmuştur. Beyin süreçlerini daha iyi anlamak ve derin öğrenme araçlarını kullanarak Alzheimer hastalığı için daha doğru tıbbi teşhis yapmak için kullanılabilir. Daha sonra Alzheimer EEG sinyallerini sınıflandırmak için Evrişimli Sinirsel Ağı (CNN), Devirli Sinirsel Ağı (RNN), Çok Katmanlı Algılayıcı (MLP) ve Transformer olmak üzere dört model üzerinde durulmuştur. Sonuçlar, GNN modelinin Alzheimer hastalığı için ilgili kanallarda güvenilir yapay EEG sinyalleri üretebildiğini göstermektedir. Ayrıca, önerilen modeller sırasıyla; %99.98, %99.76, %97.58 ve %97.34 gibi yüksek bir doğrulukla doğru sınıflandırma elde etmektedir. Çalışmamız, önerilen metodolojilerin, Alzheimer hastalığının klinik teşhisine yardımcı olabilecek potansiyel biyobelirteçleri belirlemek için umut verici bir tamamlayıcı araç olarak hizmet ettiğini göstermiştir.