شناسایی عوامل مؤثر بر پیشبینی ابتلا به بیماری آلزایمر با استفاده از روش‌های نوین انتخاب ویژگی و الگوریتم‌های یادگیری ماشین

Abstract

هدف: بیماری آلزایمر به عنوان یک اختلال عصبی پیشرونده و تخریب کننده، به دلیل تأثیر قابل توجه بر کیفیت زندگی افراد، به ویژه سالمندان، از اهمیت بالایی برخوردار است. با توجه به افزایش روزافزون شیوع این بیماری، توسعه روش های دقیق برای پیشبینی و تشخیص زودهنگام آن ضروری است. در این پژوهش، با بهره‌گیری از روش های نوین انتخاب ویژگی و مدل‌های یادگیری ماشین، به دنبال شناسایی عوامل کلیدی مؤثر در پیش‌بینی بیماری آلزایمر هستیم. هدف اصلی این مطالعه، کمک به توسعه ابزارهای تشخیصی دقیق تر و در نتیجه بهبود مدیریت و درمان این بیماری است. روش‌ها: در این پژوهش، با بهره‌گیری از ده روش انتخاب ویژگی مبتنی بر Wrapper ، به شناسایی دقیق ترین و مرتبط ترین ویژگی های بیماری آلزایمر پرداخته ایم. کارایی این مدل‌ها با استفاده از الگوریتم های یادگیری ماشین پرکاربرد و معیارهای ارزیابی استاندارد نظیر دقت، ویژگی، صحت، حساسیت، اندازه‌گیری F1 و تحلیل منحنی ROC مورد ارزیابی قرار گرفته و نتایج حاصل با یکدیگر مقایسه می شوند. تمامی ارزیابی‌ها بر روی مجموعه داده استاندارد بیماران آلزایمر ADNI انجام شده است. نتایج: ویژگی های اثرگذار شامل نتایج آزمون های شناختی (مانند آزمون کوتاه وضعیت ذهنی)، ارزیابی های عملکردی، گزارش های بیماران درباره مشکلات حافظه و رفتاری، و همچنین امتیاز فعالیت های روزمره، به عنوان شاخص های کلیدی در تشخیص بیماری آلزایمر، شناسایی شدند. نتیجه‌گیری: نتایج نشان می‌دهد که با استفاده از روش های نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین، می توان مدل های دقیق تری برای پیشبینی بیماری آلزایمر توسعه داد. این یافته‌ها می تواند در بهبود تشخیص زود هنگام و مدیریت این بیماری مؤثر باشد.