پیش بینی زودهنگام بیماری آلزایمر توسط الگوریتم های یادگیری ماشین قابل تفسیر

مقدمه: بیماری آلزایمر یکی از شایع ترین اختلال های زوال مغز در بزرگسالان است. ماهیت پیش رونده آلزایمر باعث بروز آسیب گسترده به قسمت های مغز می شود و تشخیص زودرس می تواند در مدیریت بیماری و کاهش سرعت پیشرفت آن موثر باشد. روش: در این مطالعه، از یک مجموعه داده مربوط به پیش بینی زودهنگام بیماری آلزایمر در بستر اسپارک (Spark Framework) به منظور مدیریت داده ها استفاده شد و با سه الگوریتم یادگیری ماشین از جمله بیز ساده، درخت تصمیم، شبکه عصبی مصنوعی با بهترین فراپارمترها پیاده سازی و مقایسه گردید. به منظور جلوگیری از بیش برازش و سنجش کارایی مدل ها از ۵-تکرار اعتبارسنجی متقابل استفاده شد. در آخر، یک روش برای تفسیر مدل های جعبه سیاه یادگیری ماشین در این مطالعه در نظر گرفته شد. نتایج: مدل های درخت تصمیم و شبکه عصبی مصنوعی دقتی برابر ۹۸/۶۱% و امتیاز-اف۱ ۹۸/۶۰% را در بستر اسپارک شامل یک و یا سه کامپیوتر به دست آوردند. ویژگی های تاثیرگذار در تصمیم گیری شبکه عصبی مصنوعی با استفاده از تکنیک تفسیرپذیری مشخص شد. علاوه بر این، زمان محاسباتی لازم برای یادگیری مدل های پیشنهادی در رویکردهای مختلف محاسبه و استفاده از چندین کامپیوتر در مقایسه با تک کامپیوتر ۳۵/۹۵% سریع تر بود. نتیجه گیری: با افزایش تعداد بیماران آلزایمر در جهان، لزوم وجود سیستم پشتیبان تصمیم که بتواند در حجم عظیمی از داده ها با استفاده از الگوریتم های یادگیری ماشین، توانایی پیش بینی زودهنگام بیماری را داشته باشد بیشتر احساس می شود. بدین منظور، مدل های یادگیری ماشین پیشنهادی این مطالعه، می توانند به عنوان یک ابزار کمکی با قابلیت تفسیرپذیری در تصمیم گیری پزشکان به جهت پیش بینی زودهنگام بیماری آلزایمر کمک نمایند.

کلیدواژه ها:

Early Prediction ، Alzheimer’s Disease ، Machine Learning ، Interpretability ، Big Data ، تشخیص زودهنگام ، بیماری آلزایمر ، یادگیری ماشین ، تفسیرپذیری ، داده های حجیم