شناسایی عوامل موثر بر پیش بینی ابتلا به بیماری آلزایمر با استفاده از روشهای نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین

هدف: بیماری آلزایمر به عنوان یک اختلال عصبی پیش رونده و تخریب کننده، به دلیل تاثیر 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 پیش بینی و تشخیص زودهنگام آن ضروری است. در این پژوهش، با بهره گیری از روش های نوین انتخاب ویژگی و مدل های یادگیری ماشین، به دنبال شناسایی عوامل کلیدی موثر در پیش بینی بیماری آلزایمر هستیم. هدف اصلی این مطالعه، کمک به توسعه ابزارهای تشخیصی دقیق تر و در نتیجه بهبود مدیر یت و درمان این بیماری ا ست. روش ها: در این پژوهش، با بهره گیری از ده روش انتخاب ویژگی مبتنی بر Wrapper ، به شناسایی دقیق ترین و مرتبط ترین ویژگی های بیماری آلزایمر پرداخته ایم. کارایی این مدل ها با استفاده از الگوریتم های یادگیری ماشین پرکاربرد و معیارهای ارزیابی استاندارد نظیر دقت، ویژگی، صحت، حساسیت، اندازه گیری F۱ و تحلیل منحنی ROCمورد ارزیابی قرار گرفته و نتایج حاصل با یکدیگر مقایسه می شوند. تمامی ارزیابی ها بر روی مجموعه داده استاندارد بیماران آلزایمر ADNI انجام شده ا ست. 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. نتیجه گیری: نتایج نشان میدهد که با استفاده از روش های نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین، می توان مدل های دقیق تری برای پیش بینی بیماری آلزایمر توسعه داد. این یافته ها می تواند در بهبود تشخیص زود هنگام و مدیریت این بیماری موثر با شد.

کلیدواژه ها:

Dimensionality Reduction ، Feature Selection ، Alzheimer's Disease ، Machine Learning. ، کاهش ابعاد ، انتخاب ویژگی ، بیماری آلزایمر ، یادگیری ماشین.