Rede neural gráfica de agregação adaptativa de vizinhança para diagnóstico precoce da doença de Alzheimer

O diagnóstico precoce da doença de Alzheimer (DA) é crucial para intervenção oportuna, mas permanece desafiador devido a alterações cerebrais sutis e heterogêneas, particularmente no estágio de comprometimento cognitivo leve (MCI). Para abordar essa questão, propomos uma Rede Neural Gráfica de Agregação Adaptativa de Vizinhança consciente da patologia (ANA-GNN) para modelar o cérebro como um grafo dinâmico e orientado por tarefa para classificação multimodal da DA. A estrutura integra três componentes sinérgicos: um módulo de agregação adaptativa de vizinhança que alinha o campo receptivo de cada nó com a heterogeneidade específica da doença, um mecanismo de pooling ponderado por importância que aprimora representações discriminativas em nível de grafo priorizando regiões biologicamente relevantes, e uma estratégia de fusão multimodal com controle adaptativo que equilibra informações de imagem e não-imagem. Avaliado em uma coorte expandida de 707 sujeitos do conjunto de dados ADNI, o ANA-GNN alcançou uma acurácia geral de 85,23% e um F1-score de 85,44%, superando consistentemente os métodos de referência atuais, como BrainGNN e Graph Transformers. Além disso, as regiões cerebrais de alta importância identificadas, incluindo o hipocampo, amígdala e córtex cingulado posterior, estão alinhadas com biomarcadores conhecidos da DA, demonstrando a interpretabilidade biológica do modelo e seu potencial como ferramenta confiável para diagnóstico precoce da DA.