تشخیص بیماری آلزایمر با استفاده از الگوریتم LSTM

بیماری آلزایمر یکی از مهم ترین اختلالات نورودژنراتیو در سالمندان است که با افت تدریجی حافظه و عملکردهای شناختی همراه است. افزایش چشمگیر جمعیت سالمندان در ایران و کمبود امکانات تشخیصی پرهزینه، تشخیص زودهنگام این بیماری را به یک ضرورت حیاتی تبدیل کرده است. شناسایی زودهنگام می تواند موجب مداخله های درمانی موثر، کاهش بار اقتصادی بر نظام بهداشت و بهبود کیفیت زندگی بیماران شود.این تحقیق با هدف توسعه و ارزیابی یک مدل پیش بینی مبتنی بر شبکه عصبی بازگشتی با حافظه بلندمدت (LSTM) طراحی شد تا امکان تشخیص زودهنگام بیماری آلزایمر را با دقت بالا در نظام بهداشت و درمان ایران فراهم آورد. در این مدل از ترکیب داده های بالینی، ژنتیکی و شناختی بیماران استفاده گردید تا محدودیت های روش های سنتی برطرف شود. پژوهش حاضر از داده های جمعیتی و بالینی شامل سن، جنس، شاخص های سلامتی، نمرات آزمون های شناختی (MMSE، MoCA)، اطلاعات ژنتیکی APOE و سوابق خانوادگی بیماران سالمند ایرانی بهره برد. داده های ناقص با روش های آماری و تکنیک های جایگذاری مدیریت شد و پس از مهندسی ویژگی، مدل LSTM در محیط پایتون پیاده سازی و با روش اعتبارسنجی متقابل k-fold ارزیابی گردید. شاخص های عملکرد شامل دقت، حساسیت، دقت پیش بینی، نمره F۱ و سطح زیر منحنی ROC (AUC) اندازه گیری شد.

کلیدواژه ها:

آلزایمر ، تشخیص زودهنگام ، یادگیری عمیق ، LSTM ، داده های بالینی