یادگیری ماشین در تشخیص و طبقه‌بندی بیماری آلزایمر امیدوارکننده است
مدل‌های یادگیری ماشینی که از داده‌های بالینی و شناختیِ در دسترس در روند معمول مراقبت‌های درمانی استفاده می‌کنند، توانسته‌اند بیماری آلزایمر و اختلالات شناختی را با عملکردی متوسط تا خوب طبقه‌بندی کنند. دقت این مدل‌ها در سه نوع طبقه‌بندی بالینی به ۸۸٫۱ درصد رسید.
یافته‌ها بر اهمیت آزمون‌های غربالگری شناختی در عملکرد مدل‌ها تأکید دارند؛ بااین‌حال، پیش از به‌کارگیری این روش‌ها در محیط‌های بالینی، اعتبارسنجی‌های بیشتری لازم است.
ارزیابی طبقه‌بندی آلزایمر با مدل‌های یادگیری ماشینی
پژوهشگران تحلیل ثانویه‌ای از داده‌های ۷۶۱ شرکت‌کننده انجام دادند که در سه گروه قرار گرفته بودند: افراد بدون اختلال شناختی، افراد مبتلا به اختلال شناختی خفیف ناشی از بیماری آلزایمر و افراد مبتلا به دمانس احتمالی ناشی از آلزایمر.
در این مطالعه، پنج الگوریتم یادگیری ماشینی ارزیابی شد: جنگل تصادفی، ماشین بردار پشتیبان، بیز ساده، درخت تصمیم و نزدیک‌ترین همسایه‌ها.
مدل‌ها از ۱۰ متغیر جمعیت‌شناختی، بالینی، شناختی و عصب‌روان‌پزشکی استفاده می‌کردند که به‌طور معمول در دسترس هستند. در نتیجه، برای اجرای آن‌ها نیازی به اتکا به تصویربرداری عصبی یا ارزیابی نشانگرهای زیستی نبود.
سه وظیفه طبقه‌بندی بررسی شد: تفکیک هر سه گروه شناختی از یکدیگر، تشخیص دمانس ناشی از آلزایمر در برابر افراد فاقد دمانس و تمایز میان اختلال شناختیِ تعریف‌شده بر اساس معیارهای بالینی و عملکرد شناختی طبیعی.
برای توسعه مدل‌ها، ۸۰ درصد داده‌ها به مجموعه آموزش اختصاص یافت و اعتبارسنجی متقاطع پنج‌بخشی به‌صورت تکرارشونده انجام شد. سپس عملکرد مدل‌ها با استفاده از ۲۰ درصد باقی‌مانده داده‌ها که به‌عنوان مجموعه آزمون داخلی جدا شده بود، ارزیابی شد.
بهبود عملکرد طبقه‌بندی با غربالگری شناختی
در طبقه‌بندی هر سه گروه شناختی، مدل‌های استاندارد به دقتی بین ۶۳٫۶ تا ۶۸٫۲ درصد دست یافتند. مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) با میانگین‌گیری کلان نیز بین ۰٫۸۰ تا ۰٫۸۴ بود.
هنگام تمایز میان افراد مبتلا به دمانس ناشی از آلزایمر و افرادی که دمانس نداشتند، دقت مدل‌ها بین ۷۶٫۸ تا ۷۸٫۸ درصد و مقادیر AUC بین ۰٫۸۳ تا ۰٫۸۶ بود.
بهترین عملکرد زمانی ثبت شد که مدل‌ها اختلال شناختیِ تعریف‌شده بر اساس معیارهای بالینی را از شناخت طبیعی تفکیک می‌کردند. در این وظیفه، دقت مدل‌ها بین ۷۸٫۱ تا ۸۸٫۱ درصد و مقادیر AUC بین ۰٫۷۷ تا ۰٫۹۲ بود.
حذف آزمون مختصر وضعیت ذهنی (MMSE) و ارزیابی شناختی مونترال (MoCA) از داده‌های ورودی، مقادیر AUC را در مدل‌های ارزیابی‌شده کاهش داد؛ این افت به‌ویژه در طبقه‌بندی هم‌زمان هر سه گروه شناختی مشهود بود.
همچنین، روش‌های اختصاصی هر الگوریتم برای مقابله با عدم توازن تعداد نمونه‌ها در گروه‌های مختلف، به‌طور مداوم عملکرد مدل‌ها را بهبود ندادند. در مقابل، یکی از روش‌های بیش‌نمونه‌گیری مصنوعی باعث افت معنادار عملکرد الگوریتم نزدیک‌ترین همسایه‌ها در طبقه‌بندی چندکلاسه شد.
ضرورت اعتبارسنجی خارجی پیش از استفاده بالینی
با وجود عملکرد امیدوارکننده مدل‌ها در طبقه‌بندی داخلی، پژوهشگران هشدار دادند که این یافته‌ها به‌تنهایی سودمندی بالینی آن‌ها را اثبات نمی‌کند.
سهم قابل‌توجه آزمون‌های غربالگری شناختی در عملکرد مدل‌ها نشان می‌دهد که این ارزیابی‌ها هنگام طراحی روش‌های یادگیری ماشینی برای طبقه‌بندی بیماری آلزایمر اهمیت زیادی دارند.
پژوهشگران تأکید کردند که در شرایط فعلی، این مدل‌ها باید ابزارهایی کمکی برای طبقه‌بندی در محدوده گروه مورد مطالعه در نظر گرفته شوند، نه روش‌های تشخیصیِ اعتبارسنجی‌شده.
برای مشخص شدن اینکه آیا این روش‌ها می‌توانند در تصمیم‌گیری‌های بالینیِ مراقبت‌های معمول سلامت مفید باشند، لازم است عملکرد آن‌ها در مطالعات آینده‌نگر و در جمعیت‌هایی از مناطق جغرافیایی متنوع، خارج از گروه اولیه مطالعه نیز اعتبارسنجی شود.
منبع
Dakkali MS و همکاران. «مدل‌های یادگیری ماشینی برای طبقه‌بندی بیماری آلزایمر با استفاده از متغیرهای بالینی، شناختی و عصب‌روان‌پزشکیِ در دسترس در مراقبت‌های معمول». مجله BMC Neurology، سال ۲۰۲۶. https://doi.org/10.1186/s12883-026-05514-z