Classificação de Estágios da Doença de Alzheimer via Transfer Learning e Algoritmos Clássicos utilizando Representações Profundas

Este trabalho classifica estágios da doença de Alzheimer em imagens de ressonância magnética do conjunto de dados OASIS usando a MobileNetV2 com transferência de aprendizado e otimização bayesiana de classificadores clássicos. Os vetores extraídos pela camada de <em>Global Average Pooling</em>, projetados via Análise Discriminante Linear, alimentaram Floresta Aleatória, <em>Gradient Boosting</em> e XGBoost com hiperparâmetros otimizados pelo Optuna. A MobileNetV2 atingiu acurácia de 99,88\% e F1-macro de 0,9986 no conjunto de teste; o \textit{Gradient Boosting} obteve o melhor desempenho entre os classificadores clássicos, com F1-macro de 0,9990. A análise via Grad-CAM revelou ativações anatomicamente plausíveis em regiões próximas ao lobo temporal nos casos de demência moderada, corroborando achados neuroanatômicos da literatura. Os resultados indicam que representações convolucionais profundas formam estruturas discriminativas que podem apoiar ferramentas computacionais de auxílio ao diagnóstico precoce da doença de Alzheimer.