Journal of Modern Medical Information Sciences

fa شناسایی عوامل مؤثر بر پیش بینی ابتلا به بیماری آلزایمر با استفاده از روشهای نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین Predicting Alzheimer's disease: A machine learning approach using advanced feature selection techniques تخصصي Special پژوهشي Research <div style="text-align: justify;">هدف: بیماری آلزایمر به عنوان یک اختلال عصبی پیش رونده و تخریب کننده، به دلیل تأثیر قابل توجه بر کیفیت زندگی افراد، به ویژه سالمندان، از اهمیت بالایی برخوردار است. با توجه به افزایش روزافزون شیوع این بیماری، توسعه روش های دقیق برای پیش بینی و تشخیص زودهنگام آن ضروری است. در این پژوهش، با بهره گیری از روش های نوین انتخاب ویژگی و مدل های یادگیری ماشین، به دنبال شناسایی عوامل کلیدی مؤثر در پیش بینی بیماری آلزایمر هستیم. هدف اصلی این مطالعه، کمک به توسعه ابزارهای تشخیصی دقیق تر و در نتیجه بهبود مدیر یت و درمان این بیماری ا ست. روش ها: در این پژوهش، با بهره گیری از ده روش انتخاب ویژگی مبتنی بر Wrapper ، به شناسایی دقیق ترین و مرتبط ترین ویژگی های بیماری آلزایمر پرداخته ایم. کارایی این مدل ها با استفاده از الگوریتم های یادگیری ماشین پرکاربرد و معیارهای ارزیابی استاندارد نظیر دقت، ویژگی، صحت، حساسیت، اندازه گیری F1 و تحلیل منحنی ROCمورد ارزیابی قرار گرفته و نتایج حاصل با یکدیگر مقایسه می شوند. تمامی ارزیابی ها بر روی مجموعه داده استاندارد بیماران آلزایمر ADNI انجام شده ا ست. نتایج: ویژگی های اثرگذار شامل نتایج آزمون های شناختی(مانند آزمون کوتاه وضعیت ذهنی)، ارزیابی های عملکردی، گزارش های بیماران درباره مشکلات حافظه و رفتاری، و همچنین امتیاز فعالیت های روزمره، به عنوان شاخص های کلیدی در تشخیص بیماری آلزایمر، شناسایی شدند. نتیجه گیری: نتایج نشان میدهد که با استفاده از روش های نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین، می توان مدل های دقیق تری برای پیش بینی بیماری آلزایمر توسعه داد. این یافته ها می تواند در بهبود تشخیص زود هنگام و مدیریت این بیماری مؤثر با شد.</div> <div style="text-align: justify;">Introduction: Alzheimer’s disease, a progressive and debilitating neurological disorder, significantly impacts the quality of life, particularly in the elderly. Given the increasing prevalence of this disease, developing accurate methods for early prediction and diagnosis is crucial. This study aims to identify key factors influencing Alzheimer’s disease prediction using novel feature selection techniques and machine learning models. The primary objective of this study is to contribute to the development of more accurate diagnostic tools, thereby improving the management and treatment of this disease. Methods: In this study, we employed ten wrapper-based feature selection methods to identify the most accurate and relevant features of Alzheimer’s disease. The performance of these models was evaluated using popular machine learning algorithms and standard evaluation metrics such as accuracy, precision, recall, F1-score, and ROC curve analysis. All evaluations were conducted on the ADNI standard Alzheimer’s disease dataset. Results: The influential features included cognitive test results (e.g., Mini-Mental State Examination), functional assessments, patient-reported memory and behavioral problems, and activities of daily living scores, which were identified as key indicators for Alzheimer’s disease diagnosis. Discussion: The results demonstrate that employing novel feature selection techniques and machine learning algorithms can lead to the development of more accurate models for predicting Alzheimer’s disease. These findings can contribute to improving early diagnosis and management of this diseas.</div> کاهش ابعاد, انتخاب ویژگی, بیماری آلزایمر, یادگیری ماشین. Dimensionality Reduction, Feature Selection, Alzheimer's Disease, Machine Learning. 307 324 http://jmis.hums.ac.ir/browse.php?a_code=A-10-904-1&slc_lang=fa&sid=1 Hamed SabbaghGol حامد صباغ گل h.sabbagh@iaubir.ac.ir 100319475328460013250 0009-0001-0935-8194 No PHD Candidate, Department of Computer Engineering, Birjand Branch, Islamic Azad University, Birjand, Iran. دانشجوی دکتری، مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد بیرجند، دانشگاه آزاد اسلامی، بیرجند، ایران. Hamid Saadatfar حمید سعادت فر saadatfar@birjand.ac.ir 100319475328460013251 100319475328460013251 Yes PHD, Computer Engineering, Department of Computer Engineering, University of Birjand, Birjand, Iran. دکتری تخصصی، مهندسی کامپیوتر ، گروه مهندسی کامپیوتر، دانشگاه بیرجند، بیرجند، ایران. Mahdi Khazaiepoor مهدی خزاعی پور mkhazaiepoor@iaubir.ac.ir 100319475328460013252 100319475328460013252 No PHD, Computer Engineering, Department of Computer Engineering, Birjand Branch, Islamic Azad University, Birjand, Iran. دکتری تخصصی، مهندسی کامپیوتر ، گروه مهندسی کامپیوتر، واحد بیرجند، دانشگاه آزاد اسلامی، بیرجند.