طبقه بندی بیماری آلزایمر بر اساس داده های کلینیکی با استفاده از ماشین یادگیری فراگیر

آلزایمر یک بیماری زوال سیستم عصبی مغز انسان است که معمولا به صورت نامحسوس آغاز می شود و باتوجه به اینکه آسیب مغزی حاصل از این بیماری برگشت ناپذیر است، تشخیص به موقع آن در روند درمان یا جلوگیری از پیشرفت بیماری بسیار موثر است. اخیرا پژوهش های زیادی انجام شده است که طبقه بندی بیماری آلزایمر را با استفاده از روش های یادگیری ماشین و بر روی داده های MRI، سی تی اسکن، پت اسکن و بیومارکرهای مایع مغزی نخاعی انجام می دهند که در آنها فرایند تشخیص اولیه به کندی انجام می شود. چالش های اصلی در این پژوهش ها شامل تشخیص دیرهنگام بیماری، دقت پایین، سرعت کم در تشخیص و پیچیدگی پردازشی و نیاز به منابع محاسباتی قدرتمند برای پردازش داده های پیچیده و حجیم است. لذا باهدف مرتفع کردن این چالش ها، در این مقاله ابتدا روش ماشین یادگیری فراگیر برای طبقه بندی بیماری آلزایمر استفاده شده است. یکی از ویژگی های روش پیشنهادی این است که بر روی مجموعه ای از داده های کلینیکی که از آزمایش ها و معاینه های بالینی به دست آمده است، اجرا شده و نیازی به داده های تصویربرداری مثل MRI یا پت اسکن نیست که این ویژگی روش پیشنهادی منجر به تشخیص زودهنگام بیماری با هزینه کمتر و قبل از پیشرفت بیماری می گردد. نتایج آزمایش ها نشان می دهند که روش ماشین یادگیری فراگیر تشخیص بیماری را بادقت ۹۸.۲۷۵ درصد انجام می دهد. این روش ۳.۴۴۸ درصد بهتر از جنگل تصادفی، ۶.۸۹۶ درصد بهتر از شبکه ی عصبی پرسپترون چندلایه و ۸.۶۲ درصد بهتر از ماشین بردار پشتیبان است. همچنین در این تحقیق، میزان تاثیر هریک از علائم بیماری بر موارد ابتلا مشخص شده که این عمل با استفاده از روش های انتخاب ویژگی انجام شده است. این نتایج می توانند در تشخیص به هنگام بیماری و در مطالعات مربوط به درمان یا کند کردن روند بیماری استفاده گردد.

کلیدواژه ها:

انتخاب ویژگی ، تشخیص بیماری آلزایمر ، جنگل تصادفی ، ماشین بردار پشتیبان ، یادگیری ماشین ، ماشین یادگیری فراگیر