Alzheimer hastalığının sınıflandırılmasında farklı makine öğrenmesi algoritma performanslarının incelenmesi

Alzheimer hastalığı, dünya genelinde milyonlarca bireyi etkileyen, ilerleyici ve geri dönüşü olmayan bir nörodejeneratif bozukluktur. Erken tanı, hastalığın ilerlemesini yavaşlatmak, tedavi yaklaşımlarını optimize etmek ve yaşam kalitesini korumak açısından büyük önem taşımaktadır. Bu tez çalışmasında, Alzheimer tanısı konmuş bireylerle sağlıklı kontrol grubuna ait EEG verileri analiz edilmiştir. EEG sinyallerinden dispersiyon entropisi yöntemiyle elde edilen öznitelikler temel alınarak, çeşitli makine öğrenmesi algoritmalarının sınıflandırma performansları karşılaştırılmıştır. Dispersiyon entropisi ve performans hesaplamaları MATLAB R2018a ortamında geliştirilen özel algoritmalar ile gerçekleştirilmiş ve elde edilen öznitelikler K-En Yakın Komşu, Karar Ağaçları ve Rastgele Ormanlar modellerine uygulanmıştır. Modellerin performansları; doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC gibi metriklerle değerlendirilmiş, ayrıca her bir model için 10 katlı çapraz doğrulama ile genelleme yetenekleri test edilmiştir. Elde edilen bulgular, KNN algoritmasının hasta sınıfını ayırt etmekte yetersiz kaldığını ve sınıflar arasında rastgele ayırım yaptığını göstermiştir (AUC: 0.50). Buna karşın, Karar Ağaçları ve özellikle Rastgele Ormanlar algoritması daha dengeli bir sınıflandırma başarısı sunmuş; Rastgele Ormanlar modeli %75 genel doğruluk, %71 çapraz doğrulama başarısı ve 0.80 F1 skoru ile en başarılı sonuçları elde etmiştir. Ayrıca, dispersiyon entropisi analizi sonucunda Alzheimer hastalarının EEG sinyallerinde, özellikle oksipital başta olmak üzere parietal ve temporal bölgelerde entropi düzeylerinin anlamlı biçimde azaldığı tespit edilmiştir. Bu bulgular, DE'nin nörofizyolojik bozulmaları yansıtma kapasitesine sahip olduğunu ve Alzheimer hastalığının erken tanısında potansiyel bir EEG tabanlı biyobelirteç olarak kullanılabileceğini göstermektedir.