پيش‌بيني زودهنگام بيماري آلزايمر توسط الگوريتم‌هاي يادگيري ماشين قابل تفسير

مقدمه: بيماري آلزايمر يكي از شايع‌ترين اختلال‌هاي زوال مغز در بزرگسالان است. ماهيت پيش‌رونده آلزايمر باعث بروز آسيب گسترده به قسمت‌هاي مغز مي‌شود و تشخيص زودرس مي‌تواند در مديريت بيماري و كاهش سرعت پيشرفت آن مؤثر باشد. روش: در اين مطالعه، از يك مجموعه داده مربوط به پيش‌بيني زودهنگام بيماري آلزايمر در بستر اسپارك (Spark Framework) به منظور مديريت داده‌ها استفاده شد و با سه الگوريتم يادگيري ماشين از جمله بيز ساده، درخت تصميم، شبكه عصبي مصنوعي با بهترين فراپارمترها پياده‌سازي و مقايسه گرديد. به منظور جلوگيري از بيش برازش و سنجش كارايي مدل‌ها از ۵-تكرار اعتبارسنجي متقابل استفاده شد. در آخر، يك روش براي تفسير مدل‌هاي جعبه سياه يادگيري ماشين در اين مطالعه در نظر گرفته شد. نتايج: مدل‌هاي درخت تصميم و شبكه عصبي مصنوعي دقتي برابر 98/61% و امتياز-اف1 98/60% را در بستر اسپارك شامل يك و يا سه كامپيوتر به دست آوردند. ويژگي‌هاي تأثيرگذار در تصميم‌گيري شبكه عصبي مصنوعي با استفاده از تكنيك تفسيرپذيري مشخص شد. علاوه بر اين، زمان محاسباتي لازم براي يادگيري مدل‌هاي پيشنهادي در رويكردهاي مختلف محاسبه و استفاده از چندين كامپيوتر در مقايسه با تك كامپيوتر 35/95% سريع‌تر بود. نتيجه‌گيري: با افزايش تعداد بيماران آلزايمر در جهان، لزوم وجود سيستم پشتيبان تصميم كه بتواند در حجم عظيمي از داده‌ها با استفاده از الگوريتم‌هاي يادگيري ماشين، توانايي پيش‌بيني زودهنگام بيماري را داشته باشد بيشتر احساس مي‌شود. بدين منظور، مدل‌هاي يادگيري ماشين پيشنهادي اين مطالعه، مي‌توانند به عنوان يك ابزار كمكي با قابليت تفسيرپذيري در تصميم‌گيري پزشكان به جهت پيش‌بيني زودهنگام بيماري آلزايمر كمك نمايند.