النهج المستخدم
في هذه الدراسة، تم استخدام تصنيف XGBoost لكشف ثلاث فئات: الإدراك العادي (Normal Cognition)، ضعف الإدراك الخفيف (Mild Cognitive Impairment)، ومرض الزهايمر (Alzheimer's Disease)، عبر ثمانية ميزات سريرية تشمل: MMSE، CDR Global، CDR Sum of Boxes (CDR-SB)، MoCA، FAQ، العمر، الجنس، والتعليم. تم تحسين الهياكل الفائقة باستخدام Optuna وتجاوز مشكلة عدم توازن الفئات باستخدام SMOTE.
نتائج مثيرة
أظهرت النتائج أن النموذج حقق متوسط AUC-ROC مذهلًا بلغ 0.983 ودقة تصل إلى 0.944، مما يعني دقة تصنيف عالية جدًا. في مجموعة الاختبار المحجوزة، استمرت النتائج في إظهار دقة ممتازة مع AUC بلغ 0.982.
فضلت تحليل SHAP (SHapley Additive exPlanations) أن تكون CDR Global الميزة الأكثر تأثيرًا في التنبؤ بالفئات، بينما كانت الميزات الأخرى مثل CDR-SB وMMSE ذات أهمية كبيرة في تصنيف مرض الزهايمر.
نحو المستقبل">نحو المستقبل
تشير هذه الدراسة إلى قدرة التعلم الآلي القابل للتفسير على تحقيق اكتشاف دقيق لمرض الزهايمر، مما يبشر بمستقبل واعد. من المتوقع أن تُدمج المزيد من الميزات، بما في ذلك مؤشرات الصوت، لتوسيع نطاق الكشف.
إذا كنت مهتمًا بالتطورات الحديثة في مجال الذكاء الاصطناعي والطب، كيف ترى استخدام هذه التقنيات في تحسين حياة المرضى؟ شاركونا آرائكم!