دوره 10، شماره 2 - ( 6-1402 )
جلد 10 شماره 2 صفحات 164-152 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sorayaie Azar A, Rezaei S, Bagherzadeh Mohasefi J, Niazkhani Z, Pirnejad H. Early Prediction of Alzheimer’s Disease Using Interpretable Machine Learning Algorithms. jhbmi 2023; 10 (2) :152-164
URL: http://jhbmi.ir/article-1-753-fa.html
URL: http://jhbmi.ir/article-1-753-fa.html
ثریائی آذر امیر، رضائی سمانه، باقرزاده محاسفی جمشید، نیازخانی زهرا، پیرنژاد حبیب الله. پیش‌بینی زودهنگام بیماری آلزایمر توسط الگوریتم‌های یادگیری ماشین قابل تفسیر. مجله انفورماتیک سلامت و زیست پزشکی. 1402; 10 (2) :152-164
دکتری تخصصی مهندسی نرم‌افزار، استاد، دانشکده مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران
چکیده: (2407 مشاهده)
مقدمه: بیماری آلزایمر یکی از شایع‌ترین اختلال‌های زوال مغز در بزرگسالان است. ماهیت پیش‌رونده آلزایمر باعث بروز آسیب گسترده به قسمت‌های مغز می‌شود و تشخیص زودرس می‌تواند در مدیریت بیماری و کاهش سرعت پیشرفت آن مؤثر باشد.
روش: در این مطالعه، از یک مجموعه داده مربوط به پیش‌بینی زودهنگام بیماری آلزایمر در بستر اسپارک (Spark Framework) به منظور مدیریت داده‌ها استفاده شد و با سه الگوریتم یادگیری ماشین از جمله بیز ساده، درخت تصمیم، شبکه عصبی مصنوعی با بهترین فراپارمترها پیاده‌سازی و مقایسه گردید. به منظور جلوگیری از بیش برازش و سنجش کارایی مدل‌ها از ۵-تکرار اعتبارسنجی متقابل استفاده شد. در آخر، یک روش برای تفسیر مدل‌های جعبه سیاه یادگیری ماشین در این مطالعه در نظر گرفته شد.
نتایج: مدل‌های درخت تصمیم و شبکه عصبی مصنوعی دقتی برابر 98/61% و امتیاز-اف1 98/60% را در بستر اسپارک شامل یک و یا سه کامپیوتر به دست آوردند. ویژگی‌های تأثیرگذار در تصمیم‌گیری شبکه عصبی مصنوعی با استفاده از تکنیک تفسیرپذیری مشخص شد. علاوه بر این، زمان محاسباتی لازم برای یادگیری مدل‌های پیشنهادی در رویکردهای مختلف محاسبه و استفاده از چندین کامپیوتر در مقایسه با تک کامپیوتر 35/95% سریع‌تر بود.
نتیجه‌گیری: با افزایش تعداد بیماران آلزایمر در جهان، لزوم وجود سیستم پشتیبان تصمیم که بتواند در حجم عظیمی از داده‌ها با استفاده از الگوریتم‌های یادگیری ماشین، توانایی پیش‌بینی زودهنگام بیماری را داشته باشد بیشتر احساس می‌شود. بدین منظور، مدل‌های یادگیری ماشین پیشنهادی این مطالعه، می‌توانند به عنوان یک ابزار کمکی با قابلیت تفسیرپذیری در تصمیم‌گیری پزشکان به جهت پیش‌بینی زودهنگام بیماری آلزایمر کمک نمایند.
روش: در این مطالعه، از یک مجموعه داده مربوط به پیش‌بینی زودهنگام بیماری آلزایمر در بستر اسپارک (Spark Framework) به منظور مدیریت داده‌ها استفاده شد و با سه الگوریتم یادگیری ماشین از جمله بیز ساده، درخت تصمیم، شبکه عصبی مصنوعی با بهترین فراپارمترها پیاده‌سازی و مقایسه گردید. به منظور جلوگیری از بیش برازش و سنجش کارایی مدل‌ها از ۵-تکرار اعتبارسنجی متقابل استفاده شد. در آخر، یک روش برای تفسیر مدل‌های جعبه سیاه یادگیری ماشین در این مطالعه در نظر گرفته شد.
نتایج: مدل‌های درخت تصمیم و شبکه عصبی مصنوعی دقتی برابر 98/61% و امتیاز-اف1 98/60% را در بستر اسپارک شامل یک و یا سه کامپیوتر به دست آوردند. ویژگی‌های تأثیرگذار در تصمیم‌گیری شبکه عصبی مصنوعی با استفاده از تکنیک تفسیرپذیری مشخص شد. علاوه بر این، زمان محاسباتی لازم برای یادگیری مدل‌های پیشنهادی در رویکردهای مختلف محاسبه و استفاده از چندین کامپیوتر در مقایسه با تک کامپیوتر 35/95% سریع‌تر بود.
نتیجه‌گیری: با افزایش تعداد بیماران آلزایمر در جهان، لزوم وجود سیستم پشتیبان تصمیم که بتواند در حجم عظیمی از داده‌ها با استفاده از الگوریتم‌های یادگیری ماشین، توانایی پیش‌بینی زودهنگام بیماری را داشته باشد بیشتر احساس می‌شود. بدین منظور، مدل‌های یادگیری ماشین پیشنهادی این مطالعه، می‌توانند به عنوان یک ابزار کمکی با قابلیت تفسیرپذیری در تصمیم‌گیری پزشکان به جهت پیش‌بینی زودهنگام بیماری آلزایمر کمک نمایند.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1401/11/18 | پذیرش: 1402/3/3
دریافت: 1401/11/18 | پذیرش: 1402/3/3
فایل صوتی [MP3 3000 KB] (61 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
