ABSTRAK
Teknologi pencitraan tomografi emisi positron (PET) digunakan secara luas untuk mendiagnosis penyakit Alzheimer (AD) pada orang dengan demensia. Meskipun berbagai metode komputasi telah diusulkan untuk mendiagnosis AD menggunakan gambar PET, prediksi diagnosis penyakit dengan memanfaatkan data pencitraan PET longitudinal belum banyak dipelajari. Dalam makalah ini, kami mengusulkan implementasi baru model pembelajaran mendalam jaringan saraf grafik (GNN) dan enkoder transformator (TE), untuk memanfaatkan urutan longitudinal gambar PET selain skor kognitif untuk prediksi diagnosis AD dan prediksi konversi dari gangguan kognitif ringan atau tidak terganggu menjadi AD menggunakan data yang dikumpulkan dalam studi Alzheimer’s Disease Neuroimaging Initiative (ADNI). Selain itu, kami membandingkan kinerja kedua pendekatan ini dengan metode lain termasuk jaringan umpan maju sederhana (FFN) yang hanya menggunakan gambar PET dari satu titik waktu dan jaringan saraf berulang (RNN) yang memodelkan gambar longitudinal dengan menganggapnya sebagai urutan, sementara gagal memperhitungkan variabilitas antara waktu kunjungan. Kami menunjukkan bahwa GNN dan TE memiliki kinerja prediktif yang lebih tinggi daripada FFN dan RNN dalam memprediksi diagnosis penyakit, di mana kinerja prediktif diukur berdasarkan akurasi, kurva area under receiver operating Characteristics (AUC), dan skor Brier. Lebih jauh, kami mengilustrasikan potensi gambar PET dalam memprediksi perubahan dari gangguan kognitif ringan atau kognitif normal menjadi AD.