تشخیص بیماری پارکینسون با استفاده ازتکنیک های ترکیبی یادگیری ماشین

بیماری پارکینسون یکی از بیماریهای پیشرونده عصبی است. این بیماری منجر به بروز مجموعه ای از شرایط نورولوژیکی از جمله کاهش تدریجی سرعت حرکت، لرزش، خشکی اندام و تغییر در الگوی راه رفتن می شود. تشخیص زودهنگام آن می تواند در کنترل علائم و کاهش پیشرفت بیماری نقش موثری داشته باشد. در سال های اخیر، رویکردهای مبتنی بر یادگیری ماشین به ویژه در تحلیل داده های پزشکی مورد توجه قرار گرفته اند. در این پژوهش، از روش های ترکیبی مبتنی بر یادگیری ماشین استفاده شده و تمرکز بر مرحله ی پیش حرکتی بیماری بوده است تا مدلی دقیق و قابل اعتماد برای تشخیص زودهنگام پارکینسون ارائه شود که با عنوان PDD-ET شناخته می شود. داده ها از مجموعه داده Parkinson Disease Detection استخراج شدند. مدل PDD-ET با ترکیب خروجی های چند الگوریتم یادگیری ماشین، به دقت ۸۳٪ در تشخیص زودهنگام دست یافته است. همچنین، این مدل قادر است مراحل مختلف بیماری را با دقت بالا تفکیک کرده و شدت آن را طبقه بندی کند. نتایج نشان می دهند مدل PDD-ET عملکرد بهتری نسبت به الگوریتم هایی نظیر SVR، CNN، LSTM، GRU، شبکه عصبی عمیق و سایر مدل های یادگیری دارد و دقت، حساسیت و ویژگی بهتری ارائه می دهند. یافته های این پژوهش نشان می دهد که معماری های عمیق می توانند به عنوان ابزارهای موثر در سیستم های هوشمند تشخیص پزشکی مورد استفاده قرار گیرند.

کلیدواژه ها:

بیماری پارکینسون ، مدل PDD-ET ، یادگیری ماشین ، دادهکاوی در علوم زیستی