صادق سلیمانی

آلزایمر امروزه یکی از مهم‌ترین چالش‌های سلامت جهانی است که تأثیر عمیقی بر کیفیت زندگی بیماران و خانواده‌های آنها دارد. طبق آمار سازمان جهانی بهداشت، بیش از 55 میلیون نفر در سراسر جهان به این بیماری مبتلا هستند و پیش‌بینی می‌شود این رقم تا سال 2050 به بیش از 150 میلیون نفر افزایش یابد و هفتمین علت مرگ و میر در جهان است و بار اقتصادی و اجتماعی قابل توجهی بر جوامع تحمیل می‌کند. این بیماری با از دست‌دادن تدریجی حافظه، اختلال در عملکردهای شناختی و تغییرات رفتاری مشخص می‌شود. این پژوهش یک رویکرد نوآورانه مبتنی بر گراف برای پیش‌بینی و تشخیص بیماری آلزایمر با استفاده از داده‌های بالینی مجموعه OASIS ارائه می‌دهد. با ساخت شبکه شباهت بیماران و کشف ارتباطات و همبستگی بین آنها، توانستیم ویژگی‌های مفیدی را استخراج کنیم که به طور قابل‌توجهی متغیرهای بالینی معمول را برای طبقه‌بندی بیماری آلزایمر تقویت کرد. ما از پنج روش همبستگی شامل شباهت جاکارد، همبستگی اسپیرمن، همبستگی پیرسون، شباهت کسینوسی و فاصله اقلیدسی برای ایجاد این شبکه استفاده کردیم. این رویکرد به ما امکان داد تا روابط پیچیده بین عوامل مختلف را که ممکن است در روش‌های سنتی نادیده گرفته شوند، شناسایی و تحلیل کنیم. نتایج ما نشان داد که ترکیب تکنیک‌های پیشرفته تحلیل گراف با الگوریتم‌های یادگیری ماشین می‌تواند به طور قابل‌توجهی توانایی ما را در پیش‌بینی و مدیریت این بیماری پیچیده افزایش دهد. ما از هشت الگوریتم مختلف یادگیری ماشین شامل RandomForestClassifier،LogisticRegression ، SVM، KNeighborsClassifier، GradientBoostingClassifier، MLPClassifier، AdaBoostClassifier و DecisionTreeClassifier استفاده کردیم. با استفاده از روش بالانس کردن SMOTE و معیار شباهت جاکارد در ترکیب با الگوریتم‌های GradientBoosting و AdaBoost، توانستیم به بالاترین دقت ۰٫۹۹۷۰ دست یابیم. همچنین در سایر معیارها نیز نتایج قابل توجهی به دست آمد، از جمله در همبستگی پیرسون و اسپیرمن با RandomForest (به ترتیب با دقت ۰٫۹۴۷۹ و ۰٫۹۴۶۴). بااین‌حال، روش ما محدودیت‌هایی نیز دارد که باید در کارهای آتی موردتوجه قرار گیرند. تعداد ویژگی‌های استفاده شده در این مطالعه محدود بود و استفاده از مجموعه‌داده‌های بزرگ‌تر با تعداد ویژگی‌های بیشتر می‌تواند نتایج را بهبود بخشد. همچنین، استفاده از روش‌های پیشرفته‌تر مانند شبکه‌های عصبی گرافی (GNN) می‌تواند در کارهای آتی مورد بررسی قرار گیرد. این روش‌ها می‌توانند به استخراج ویژگی‌های پیچیده‌تر و درک عمیق‌تر ساختار شبکه کمک کنند. علاوه بر این، اعتبارسنجی نتایج در مجموعه‌داده‌های مستقل و بزرگ‌تر می‌تواند به افزایش اطمینان از قابلیت تعمیم روش پیشنهادی کمک کند. در مجموع، این پژوهش می‌تواند منجر به تشخیص زودهنگام دقیق‌تر و بهبود مراقبت از بیمار شود و گامی مهم در جهت مقابله با چالش‌های ناشی از بیماری آلزایمر باشد.