تشخیص آلزایمر با استفاده از الگوریتم کارا بر پایه Smri، Pet و تست های روانشناختی عصبی

بیماری آلزایمر (ad)، نوعی بیماری پیش رونده است که به سلول های عصبی حمله می کند و نتیجه آن از دست دادن حافظه، قدرت تفکر، توانایی زبان و تغییرات رفتاری می باشد. مرحله پیش رونده آن اختلال خفیف شناختی (mci) نام دارد که حالتی گذرا قبل از زوال عقل است و بیماران دارای mci امکان ابتلا به ad را دارند. تصویر برداری ساختاری تشدید مغناطیسی (smri) و برش نگاری با گسیل پوزیترون (pet)، روش هایی محبوب و غیر تهاجمی هستند که نقش مهمی را به منظور درک تغییرات ساختاری مغز مبتلایان به ad ایفا می کنند. ارزیابی های عصب روانشناختی، اطلاعاتی را در زمینه های مختلف شناختی (حافظه، توجه، عملکرد اجرایی و دیگر کاربرد ها) و همچنین ویژگی های عصبی -روانی و رفتاری ارائه می دهند. بنابراین، استفاده از تصویربرداری های عصبی و تست های عصب روانشناختی بالینی اطلاعات کامل تری در تشخیص اولیه ad خواهند داشت. در سال های اخیر استفاده از شبکه های یادگیری عمیق به دلیل توانایی بسیار بالای آن در حل مسائل، توجه ویژه ای را در زمینه های پزشکی به خود اختصاص داده است. در این مطالعه طبقه بندی چند کلاسه ad، mci و hc با استفاده از حالت های مختلف smri، pet و تست های عصب روانشناختی بر روی شبکه عصبی کانولوشنی یک بعدی پیشنهاد شده است. در ابتدا عملکرد طبقه بندی شبکه 1d-cnn با لایه های مختلف بررسی شد که دقت 91.63 درصد از معماری پیشنهادی به دست آمد. سپس با اعمال دو روش مختلف یادگیری جمعی بر روی شبکه 1d-cnn عملکرد طبقه بندی بهبود داده شد. در روش اول با استفاده از تکنیک بسته بندی کردن و سپس ترکیب طبقه بند کننده ها دقت 92.94 درصد در جداسازی همزمان ad-mci-hc حاصل شد. در روش دوم از اعتبار سنجی متقاطع 5-لایه برای پیش آموزش شبکه های 1d-cnn استفاده شد و سپس مدل نهایی با روش های یادگیری انتقال و integrate stacking تشکیل داده شد که دقت 96.5 درصد به دست آمد.