A novel model for early diagnosis of the alzheimer's disease converted from mild cognitive impairment

Abstract

Hafif bilişsel bozukluk, yaşla bağlantılı bilişsel zayıflama ile Alzheimer hastalığı olarak da bilinen daha ciddi gerilemenin olduğu bunama arasında bir orta kademedir. Alzheimer hastalığı riskinin yüksek olduğu hafif bilişsel bozukluğu erken teşhis etmek, tedavinin başarı oranını artırmak açısından çok önemlidir. Bu çalışmada, hafif bilişsel bozukluğun Alzheimer hastalığına dönüşümünü erken teşhis edebilecek MRI verilerini kullanan bir deneysel model sunuyoruz. Bu modelin iki temel adımı var: özellik seçimi ve sınıflandırma. İlk adımda, değişken komşuluk arama ile sınıflandırma için en kestirimci özellikler seçiliyor. İkinci adımda ise, seçilen özellikleri sınırlandırmak için bir doğrusal destek vektör makinesi kullanılıyor. Bu çalışmada kullanılan bütün veriler, Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) verilerinden gelen, 8 farklı aylık periyotlarda, her periyotta 226 özellik olmak üzere 1435 denekten elde edilir. En iyi tahmin sonuçlarına ulaşmak için çeşitli türlerde aylık kombinasyonlar uygulanır. Bu modelden elde edilen sonuçlar doğruluk, hassasiyet ve spesifiklik değerleri açısından geçmiş araştırmalara göre daha iyi sonuçlar verir. Bu çalışmanın sonuçları, modelimizin hafif bilişsel bozukluğun Alzheimer hastalığına dönüşümünü erken teşhis ve tahmin etme konusunda büyük bir potansiyele sahip olduğunu gösteriyor.

Mild Cognitive Impairment (MCI) is the transitional period from slight cognitive decline to a more serious mental impairment. Mental impairment, being progressive, worsens with time. MCI is the intermediate stage prior to the advanced stage of dementia know as Alzheimer's disease (AD). Due to its progressive nature, early diagnosis is crucial in achieving a high success rate during treatment. In this study, we present a novel model that employed data from Magnetic Resonance Imaging (MRI) to help diagnose early conversion of MCI to AD. The model involved two major steps: feature selection and classification. A variable neighborhood search algorithm selected the most predictive features for classification in the first step. In the second step, linear support vector machine was used to classify the previously identified features. The data employed in the course of the study were obtained from the Alzheimer's disease Neuro-imaging Initiative (ADNI) database with 1,435 subjects, 226 features in each period and eight different monthly periods. As a means of improving on the previous research in terms of accuracy, sensitivity and specificity values, this study employed different monthly combinations. The results of this paper reveal that the designed model has immense potential in the early prediction and detection of the conversion from MCI to AD.