بهینه‌سازی تشخیص بیماری آلزایمر با استفاده از روش‌های یادگیری ماشین

Abstract

بیماری آلزایمر یک اختلال نورودژنراتیو مزمن است که با زوال تدریجی عملکردهای شناختی و حافظه مشخص می‌شود. براساس آمارهای اخیر، شیوع بیماری آلزایمر به‌ویژه در افراد مسن به‌طور چشمگیری در حال افزایش است. این امر اهمیت پیشگیری، تشخیص زودهنگام و مدیریت بیماری آلزایمر را به وضوح نشان می‌دهد. این پژوهش، به بررسی عملکرد روش‌های مختلف انتخاب ویژگی در مدل‌های یادگیری ماشین برای پیش‌بینی بیماری آلزایمر می‌پردازد. در این تحقیق، از روش‌های نوین انتخاب ویژگی مبتنی‌بر Wrapper شامل SFS، RFE، ERSFS، SFE و SPFSR برای شناسایی مهم‌ترین ویژگی‌های مرتبط با تشخیص این بیماری استفاده شده است. الگوریتم‌های طبقه‌بندی شامل K نزدیکترین همسایه، درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی و شبکه عصبی پرسپترون چند لایه بر روی مجموعه‌داده استاندارد بیماران آلزایمر مورد ارزیابی قرار گرفته‌اند. نتایج با استفاده از معیارهای ارزیابی مانند دقت، ویژگی، صحت، حساسیت، F1-measure و منحنی ROC مقایسه و بررسی شده‌اند. ویژگی‌های انتخاب‌شده در این مجموعه‌داده شامل آزمون کوتاه وضعیت ذهنی، ارزیابی عملکردی، شکایات حافظه، مشکلات رفتاری، و امتیاز فعالیت‌های روزمره هستند که در مدل‌های مختلف یادگیری ماشین عملکرد بالایی را به ارمغان می‌آورند. این پژوهش، پتانسیل روش‌های انتخاب ویژگی را برای بهبود عملکرد طبقه‌بندی بیماری آلزایمر نشان می‌دهد و می‌تواند به پزشکان و محققان در توسعه و به‌کارگیری ابزارهای تشخیصی دقیق‌تر برای این بیماری کمک نماید. این تحقیق، بینش ارزشمندی در مورد مهم‌ترین عوامل مؤثر بر پیش‌بینی ابتلا به بیماری آلزایمر ارائه می‌دهد.