Journal of Health and Biomedical Informatics

fa پیش‌بینی زودهنگام بیماری آلزایمر توسط الگوریتم‌های یادگیری ماشین قابل تفسیر Early Prediction of Alzheimer’s Disease Using Interpretable Machine Learning Algorithms هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;">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. </div> <div style="text-align: justify;">Introduction: Alzheimer’s disease is one of the most common neurodegenerative diseases in adults. The progressive nature of Alzheimer’s disease causes widespread damage to the brain, and early diagnosis can manage the disease and slow down its progression effectively. Method: In this study, a dataset related to the early prediction of Alzheimer’s was used. Spark framework was used for data management and three machine learning algorithms including Naïve Bayes, Decision Tree, and Artificial Neural Networks with the best hyperparameters were implemented and compared. To prevent overfitting and measure the efficiency of the models, a 5-fold cross-validation method was utilized. Furthermore, a method was used for interpreting machine learning black box models. Results: The decision tree and artificial neural network models obtained 98.61% accuracy and 98.60% F1-Score in the Spark framework including one or three computers. Important features in the decision-making process of the artificial neural network were identified using the interpretability technique. In addition, the computational time required for training the proposed models was calculated through different approaches, and the use of multiple computers was 35.95% faster than a single computer. Conclusion: With increasing the number of Alzheimer’s disease patients around the world, the need for a decision support system using machine learning algorithms, which can predict the disease early in a huge amount of data, is felt more. Therefore, the machine learning models proposed in this study for early prediction of Alzheimer’s disease as an interpretable auxiliary tool in the decision-making process can help clinicians.</div> <div style="text-align: justify;"></div> تشخیص زودهنگام, بیماری آلزایمر, یادگیری ماشین, تفسیرپذیری, داده‌های حجیم Early Prediction, Alzheimer’s Disease, Machine Learning, Interpretability, Big Data 152 164 http://jhbmi.ir/browse.php?a_code=A-10-818-2&slc_lang=fa&sid=1 Amir Sorayaie Azar امیر ثریائی آذر a.sorayaieazar@urmia.ac.ir 10031947532846009090 10031947532846009090 No Ph.D. Student in Computer Engineering, Faculty of Electrical and Computer Engineering, Urmia University, Urmia, Iran دانشجوی دکتری تخصصی مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران Samaneh Rezaei سمانه رضائی sa.rezaei@urmia.ac.ir 10031947532846009091 10031947532846009091 No Ph.D. Student in Computer Engineering, Faculty of Electrical and Computer Engineering, Urmia University, Urmia, Iran دانشجوی دکتری تخصصی مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران Jamshid Bagherzadeh Mohasefi جمشید باقرزاده محاسفی j.bagherzadeh@urmia.ac.ir 10031947532846009092 10031947532846009092 Yes Ph.D. in Software Engineering, Professor, Faculty of Electrical and Computer Engineering, Urmia University, Urmia, Iran دکتری تخصصی مهندسی نرم‌افزار، استاد، دانشکده مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران Zahra Niazkhani زهرا نیازخانی niazkhani.z@umsu.ac.ir 10031947532846009093 10031947532846009093 No Ph.D. in Medical Informatics, Associate Professor, Nephrology and Kidney Transplant Research Center, Clinical Research Institute, Urmia University of Medical Sciences, Urmia, Iran دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات نفرولوژی و پیوند کلیه، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران Habibollah Pirnejad حبیب الله پیرنژاد pirnejad.h@umsu.ac.ir 10031947532846009094 10031947532846009094 No Ph.D. in Medical Informatics, Associate Professor, Patient Safety Research Center, Clinical Research Institute, Urmia University of Medical Sciences, Urmia, Iran دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات ایمنی بیمار، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران