انتخاب ویژگی های بهینه در شناسایی بیماری اوتیسم از تصاویر fMRI بر مبنای الگوریتم ژنتیک

زمینه و هدف: اختلال طیف اوتیسم یا درخودماندگی (Autism Spectrum Disorder) براساس نقص مداوم در مهارت های کلامیف دیداری، شنیداری، لمسی و رفتارهای اجتماعی فرد بروز می کند. طی دو دهه اخیر، یکی از رویکردهای مهم در بررسی فعالیت های مغز برای کشف عملکرد آن در افراد اوتیستیک استفاده از تصاویر تشدید مغناطیسی کارکردی Functional Magnetic Resonance Imaging) است. روش بررسی: با ایجاد نقشه ارتباطات عملکردی از مغز، همبستگی سری های زمانی بین نواحی مختلف مغز تعیین می شود. این امر منجر بهایجاد فضای ویژگی با ابعاد بسیار بالا (هزاران ویژگی) در ماتریس ارتباط عملکردی (Functional Connectivity) ثبت شده توسط تصاویر fMRI می شود. شناسایی و طبقه بندی افراد اوتیستیک و سالم بر اساس الگوریتم های یادگیری ماشین در فضای با ابعاد بالا با چالش هایی روبرو می شود. در این مطالعه، تشخیص دو گروه سالم و اوتیستیک توسط الگوریتم طبقه بندی کننده نزدیک ترین k همسایگی (K Nearest Neighbor) صورت پذیرفته است. تاکنون روش های متفاوتی برای کاهش ابعاد فضای ویژگی در شناسایی بیماری اوتیسم بر اساس ماتریسم ارتباط عملکردی مطرح شده است، اما در این بین توجه کمی به روش های فراابتکاری در انتخاب نواحی تاثیرگذار شده است و خلاء این موضوع احساس می شود. الگوریتم ژنتیک (Genetic Algorithms) به عنوان یکی از ابزارهای قدرتمند جستجوی فراابتکاری در انتخاب ویژگی های بهینه با هدف افزایش دقت، کاهش زمان پردازش و کاهش حجم ابعاد داده های fMRI بکار گرفته شده است. به منظور ارزیابی قابلیت روش پیشنهادی، الگوریتم ژنتیک با روش آنالیز مولفه های اصلی (Principal Component Analysis) به عنوان یک روش کاهش بعد استاندارد مقایسه شد. یافته ها: در پژوهش حاضر، برای ارزیابی مدل پیشنهادی از ۸۲۰ تصویر سه بعدی fMRI بانک اطلاعاتی اوتیسم ABIDE استفاده شد. از این بین ۷۰% نمونه ها به عنوان داده آموزشی و مابقی به عنوان داده آزمایشی انتخاب شدند. تعداد ۱۱۶ ناحیه در مغز درنظر گرفته شده و میزان همبستگی خطی بین ابعاد سری زمانی مستخرج مربوط به هر ناحیه با استفاده از ضریب پیرسون (Pearson Correlation Coefficient) تعیین می شود. در این راستا، طبقه بندی داده های ورودی با ۶۶۷۰ ویژگی منجر به دقت ۶۳/۸۲% شد. به کارگیری الگوریتم بهینه سازی ژنتیک منجر به حذف تقریبا نیمی از ویژگی ها و محاسبه سه معیار دقت ۷۴/۳۹ درصد، حساسیت ۰/۸۲ درصد و تشخیص ۰/۶۵ درصد شده است. نتایج بدست آمده حاکی از توانایی الگوریتم ژنتیک در حذف ویژگی های اضافه و افزایش تقریبی ۱۰/۵% دقت طبقه بندی می باشد. همچنین مقایسه معیارهای بدست آمده در روش آنالیز مولفه های اصلی با دقت ۵۴/۸۷% بیانگر توانایی بالای روش پیشنهادی است. نتیجه گیری: در این مطالعه، استفاده از داده های fMRI توانایی بالایی را در تشخیص بیماری اوتیسم نشان داد. با توجه به ابعاد ابلای فضای ویژگی در مسئله پیش و رو، مهمترین گام تحقیق انتخاب ویژگی های بهینه بدست آمده از ماتریس ارتباط عملکردی بر مبنای الگوریتم ژنتیک است. در این راستا از دقت بدست آمده با طبقه بندی kKNN به منظور ارزیابی زیرمجموعه انتخاب شده، استفاده شد. بر اساس نتایج بدست آمده، تعداد ۶۳ ناحیه موثر در تشخیص بیماری اوتیسم شناسایی شد. نتایج بدست آمده بیانگر قابلیت بالای روش پیشنهادی ارائه شده در حذف ویژگی های وابسته و افزایش دقت طبقه بندی می باشد.

کلیدواژه ها:

اختلال طیف اوتیسم ، تصویرسازی تشدید مغناطیسی کارکردی ، الگوریتم فراابتکاری ، کاهش ابعاد داده