ارزیابی روشهای مبتنی بر یادگیری ماشین برای پیش بینی زودهنگام بیماری آلزایمر

بیماری آلزایمر (AD) یک بیماری مرتبط با مغز است که به طور قابل توجهی عملکرد شناختی را مختل می کند و منجر به از دست دادن حافظه می شود. توقف مرگ سلول های مغزی غیرممکن است، اما با کمک دارو، اثرات AD را می توان به تاخیر انداخت. تشخیص زودهنگام بیماری آلزایمر حیاتی است و می تواند نرخ بقا را در میان بیماران بهبود بخشد. روش های سنتی تشخیص AD از طریق معاینات دوره ای و بررسی های دستی چالش برانگیز هستند. پیشرفت در سیستم های تشخیص کمکی کامپیوتری منجر به توسعه روش های متنوع مبتنی بر یادگیری عمیق برای تشخیص سریع AD شده است. این پژوهش با هدف بررسی حالت های مختلف MRI ساختاری، PET، آزمون های شناختی، داده های بالینی، مجموعه داده ها، تکنیک های یادگیری ماشین و روش های اعتبارسنجی مورد استفاده در تشخیص AD انجام شده است. در این مرور تعدادی از مقالات مرتبط که در آنها از یادگیری عمیق و یادگیری ماشین برای پیش بینی ابتلای آلزایمر استفاده شده است بررسی و مقایسه شد. نتایج این بررسی نشان می دهد که ADNI و اعتبارسنجی متقاطع k-fold پر استفاده ترین ابزارها هستند؛ SVM و CNN به عنوان روش های غالب دقت بالایی در طبقه بندی ارائه می کنند. ترکیب MRI+PET، یادگیری انتقالی و رویکردهای ensemble عملکرد را به طور قابل توجهی ارتقا می دهند و fNIRS، با نتایج امیدوار کننده در تشخیص زودهنگام نیازمند اعتبارسنجی گسترده در محیط های بالینی است.

کلیدواژه ها:

بیماری آلزایمر (AD) ، یادگیری ماشین (ML) ، یادگیری عمیق (DL)