DEVELOPING A EXPERT SYSTEM FOR EARLY DIAGNOSIS OF ALZHEIMER'S DISEASE

Year 2025, Volume: 9 Issue: 1, 21 - 35, 30.04.2025

Osamah Salman , Sema Çayır , Mustafa Melikşah Özmen , Enes Açıkgözoğlu

https://doi.org/10.46519/ij3dptdi.1418059

Abstract

The rapid expansion of Internet use since the early 1990s has led to the generation of massive datasets, necessitating advanced tools for meaningful analysis. Artificial intelligence (AI) technologies have proven instrumental in this regard, particularly in healthcare, where they are employed for early diagnosis and error reduction in disease detection. This study focuses on developing an AI-based expert system for the early diagnosis of Alzheimer’s Disease (AD), a progressive neurodegenerative condition prevalent among elderly individuals. Utilizing the DARWIN dataset comprising 174 subjects (89 with AD and 85 without), eight machine learning algorithms were evaluated: AdaBoost, Gradient Boost, VotingHard, Stack, Decision Trees, Random Forest, Naive Bayes, and 1D-CNN. The Stack model emerged as the most effective, achieving a high predictive performance with 91.43% accuracy, 93.75% specificity, 94.44% sensitivity, 89.47% precision, an F-measure of 91.89%, and an AUC value of 91.43%. Among the models with moderate performance, AdaBoost achieved 88.57% accuracy, 88.24% specificity, 88.89% sensitivity, 88.89% precision, an F-measure of 88.89%, and an AUC value of 88.56%. Conversely, the VotingHard model demonstrated the lowest performance, with 80.00% accuracy, 77.78% specificity, 77.78% sensitivity, 82.35% precision, an F-measure of 80.00%, and an AUC value of 80.00%. These findings highlight the Stack model's potential for reliable early-stage AD diagnosis and provide a comparative perspective on algorithmic performance.

Keywords

Early detection of Alzheimer , Artificial intelligence , Expert system.

ALZHEİMER HASTALIĞININ ERKEN TEŞHİSİNE YÖNELİK UZMAN SİSTEM GELİŞTİRİLMESİ

Abstract

1990'ların başından bu yana internet kullanımının hızla yaygınlaşması, anlamlı analiz için gelişmiş araçlar gerektiren büyük veri kümelerinin oluşmasına yol açmıştır. Yapay zeka teknolojilerinin, özellikle erken teşhis ve hastalık tespitinde hataların azaltılması için kullanıldıkları sağlık hizmetlerinde bu konuda etkili olduğu kanıtlanmıştır. Bu çalışma, yaşlı bireyler arasında yaygın olan ilerleyici bir nörodejeneratif durum olan Alzheimer Hastalığının (AD) erken teşhisi için yapay zeka tabanlı bir uzman sistem geliştirmeye odaklanmaktadır. Çalışmda 174 örnekli DARWIN veri kümesi (89'u AD'li ve 85'i AD'siz) kullanılarak AdaBoost, Gradient Boost, VotingHard, Stack, Decision Trees, Random Forest, Naive Bayes ve 1D-CNN olmak üzere sekiz makine öğrenimi algoritması ile eğitilmiştir. Çalışmada kullanılan Stack modeli %91,43 doğruluk, %93,75 özgüllük, %94,44 duyarlılık, %89,47 kesinlik, %91,89 F-ölçümü ve %91,43 AUC değeri ile yüksek bir tahmin performansı elde ederek en etkili model olarak ortaya çıkmıştır. Orta düzeyde performans gösteren modeller arasında AdaBoost %88,57 doğruluk, %88,24 özgüllük, %88,89 duyarlılık, %88,89 kesinlik, %88,89 F-ölçümü ve %88,56 AUC değeri elde etmiştir. Buna karşılık, VotingHard modeli %80,00 doğruluk, %77,78 özgüllük, %77,78 duyarlılık, %82,35 hassasiyet, %80,00 F-ölçümü ve %80,00 AUC değeri ile en düşük performansı göstermiştir. Bu bulgular, Stack modelinin güvenilir erken evre AD teşhisi potansiyelini vurgulamakta ve algoritma performansa ilişkin karşılaştırmalı bir bakış açısı sağlamaktadır.

Keywords

Alzheimer hastalığı erken Teşhisi , Yapay zekâ , Uzman sistem

References

• 1. Demir, Z., and Türkan, F. “Asetilkolinesteraz ve Bütirilkolinesteraz Enzimlerinin Alzheimer Hastalığı ile İlişkisi”. Journal of the Institute of Science and Technology, Vol. 12, Issue 4, Pages 2386-2395, 2020.
• 2. Kara, G. and Kılınç, G.E. “Alzheimer hastalığında ketojenik diyet tedavisi”. İstanbul Gelişim Üniversitesi Sağlık Bilimleri Dergisi, Vol. 15, Pages 630-638, 2021.
• 3. Keleş, E., and Özalevli, S. “Alzheimer hastalığı ve tedavi yaklaşımları”. İzmir Kâtip Çelebi Üniversitesi Sağlık Bilimleri Fakültesi Dergisi, VOl. 3, Issue 2, Pages 39-42, 2018.
• 4. Tekin, S., “Alzheimer Hastalığı Klinik Göstergeleri”, In Keskin A, O., UYSAL, A., Özge, A., Yener, G., Kırbaş, D., Sağlık Kurulunda Demans, Pages 28-36, Türk Nöroloji Derneği. Ankara, 2022. 5. Mutluer, M., “Devinime ilişkin kortikal potansiyellerin hafif bilişsel bozukluk ve orta evre alzheimer hastalığını değerlendirmede nöropsikoljik testler ile korelasyonu”, Tıpta Uzmanlık Tezi, Necmettin Erbakan Üniversitesi, Konya, 2009.
• 6. Saplıoğlu, K., and Uzundurukan, S. “Bilimsel çalışmalarda kullanılan bazı yapay zeka uygulamalarının ve trendlerinin incelenmesi”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Vol. 10, Issue 1, Pages 249-262, 2019
• 7. Hoşgör, H., and Güngördü, H. “Sağlıkta Yapay Zekanın Kullanım Alanları Üzerine Nitel Bir Araştırma”. Avrupa Bilim ve Teknoloji Dergisi, Vol. 35, Pages 395-407, 2022
• 8. Li, F., Tran, L., Thung, K.H., Ji, S., Shen, D., Li, J. “A robust deep model for improved classification of ad/mci patients”, IEEE J. Biomed. Health Inform. Vol. 19, Issue 5, 1610–1616, 2015
• 9. Hu, C., Ju, R., Shen, Y., Zhou, P., Li, Q. “Clinical decision support for alzheimer's disease based on deep learning and brain network”, 2016 IEEE International Conference on Communications (ICC), Kuala Lumpur, Pages 1-6, 2016 10. Karabay, G. S. and Çavaş, M. “Derin Öğrenme Yöntemiyle Alzheimer Hastalığının Tespiti” . Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Vol. 34, Issue 2,Pages 879-887, 2022.
• 11. Öziç, M. Ü. , Ekmekci, H. , Özşen, S. , Barstuğan, M. & Yıldoğan, A. “3B T1 Ağırlıklı MR Görüntülerinde Atlas Tabanlı Hacim Ölçüm Yöntemini Kullanarak Alzheimer Hastalığının Teşhisi” . Politeknik Dergisi , Vol. 25, Issue 1 , Pages 47-58, 2022
• 12. Nalçakan, Y., “Derin Öğrenme ile Alzheimer Hastalığının Teşhisi”, Yüksek Lisans Tezi, İstanbul Üniversitesi-Cerrahpaşa Lisansüstü Eğitim Enstitüsü, İstanbul, 2018.
• 13. Wang, N., Chen, J., Xiao, H. et al., “Yapay sinir ağı modelinin Alzheimer hastalığının tanısında uygulanması”. BMC Neurol, Vol. 19 , Issue 154, 2019.
• 14. Janghel, R. R., & Rathore, Y. K. “Deep convolution neural network based system for early diagnosis of Alzheimer's disease”. Irbm, Vol. 42, Issue4, Pages 258-267, 2021.
• 15. De Gregorio, G., Desiato, D., Marcelli, A., & Polese, G. “A multi classifier approach for supporting Alzheimer’s diagnosis based on handwriting analysis. In Pattern Recognition”, ICPR International Workshops and Challenges: Virtual Event, January 10–15, 2021, Proceedings, Part I , pages 559-574, Springer International Publishing.
• 16. Subha, R., Nayana, B. R., & Selvadass, M. “Hybrid Machine Learning Model Using Particle Swarm Optimization for Effectual Diagnosis of Alzheimer's Disease from Handwriting”, In 2022 4th International Conference on Circuits, Control, Communication and Computing (I4C), 2022, December,Pages 491-495, IEEE.
• 17. Gattulli, V., Impedovo, D., Pirlo, G., & Semeraro, G. “Handwriting Task-Selection based on the Analysis of Patterns in Classification Results on Alzheimer Dataset”, In DSTNDS, pages 18-29, 2023
• 18. Önder, M., Şentürk, Ü., Polat, K., & Paulraj, D. “Diagnosis of Alzheimer's Disease Using Boosting Classification Algorithms”, In 2023 International Conference on Research Methodologies in Knowledge Management, Artificial Intelligence and Telecommunication Engineering (RMKMATE), 2023, Pages 1-5, IEEE.
• 19. Schapire, R.E. “explain Adaboost”. In: Schölkopf, B., Luo, Z., Vovk, V. (eds) Empirical Inference, Pages 37-52, Heidelberg: Springer Berlin Heidelberg, Berlin, 2013.
• 20. “Alma Better”, https://www.almabetter.com/bytes/tutorials/data-science/adaboost-algorithm, Ocak 05, 2024.
• 21. Keleş, M. B., Keleş, A., & Keleş, A. “Makine Öğrenmesi Yöntemleri İle Uçuş Fiyatlarının Tahmini”. Euroasia Journal of Mathematics, Engineering, Natural & Medical Sciences, Vol. 7, Issue 11, Pages 72-78, 2020.
• 22. Gültekin, M., “Makine öğrenmesi tabanlı yazılım maliyet tahmini yöntemlerinin karşılaştırmalı analizi”, Doktora Tezi, Yıldız Teknik Üniversitesi, Istanbul, 2019.
• 23. Delgado, R. “A semi-hard voting combiner scheme to ensemble multi-class probabilistic classifiers”. Applied Intelligence, Vol. 52, Issue 4, Pages 3653-3677, 2022.
• 24. Koptur, M., “Makine Öğrenimi”, https://makineogrenimi.wordpress.com/2017/06/14/modellerin-birlestirilmesi-ensemble-learning/ , Ocak 05, 2024.
• 25. Uysal, M., and Güyer, T. “İstatistiksel veri analizine ilişkin genişleyebilir bir karar ağacı tasarımı”. Bilişim Teknolojileri Dergisi, Vol. 7, Issue 3, Pages 33-43, 2014.
• 26. Kuzey, C., “Veri madenciliğinde destek vektör makinaları ve karar ağaçları yöntemlerini kullanarak bilgi çalışanlarının kurum performansı üzerine etkisinin ölçülmesi ve bir uygulama”, Yayımlanmamış Doktora Tezi, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul, 2012.
• 27. Aytuğ, O. “Şirket iflaslarının tahminlenmesinde karar ağacı algoritmalarının karşılaştırmalı başarım analizi”. Bilişim Teknolojileri Dergisi, Vol. 8, Issue 1, Pages 9-19, 2015.
• 28. Özlem, A. & Güngör, O. “Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması”. Jeodezi ve Jeoinformasyon Dergisi, Issue 106, Pages 139-146, 2012.
• 29. Emhan Ö., & Mehmet, A. “Filtreleme tabanlı öznitelik seçme yöntemlerinin anomali tabanlı ağ saldırısı tespit sistemlerine etkisi”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Vol. 10, Issue 2, Pages 549-559, 2019.
• 30. Gülcü, Ş. “Bilgisayar ağ güvenliğinde naive bayes algoritmasının kullanımı”. Kilis 7 Aralık Üniversitesi Fen ve Mühendislik Dergisi, Vol. 3, Issue1, , 2019.
• 31. Farzaliyev, E., Saihood, Q., and Sonuç, E. “Çocuklarda Anemi Hastalığının Teşhisinde Topluluk Öğrenme Yöntemlerinin Kullanılması”. In International Conference on Recent Academic Studies Vol. 1, Pages. 129-135, 2023.
• 32. Sikora, R. “A modified stacking ensemble machine learning algorithm using genetic algorithms”. In Handbook of research on organizational transformations through big data analytics, Pages 43-53, IGi Global, 2015.
• 33. Dou, J., Yunus, A. P., Bui, D. T., Merghadi, A., Sahana, M., Zhu, Z., ... and Pham, B. T. “Improved landslide assessment using support vector machine with bagging, boosting, and stacking ensemble machine learning framework in a mountainous watershed”, Japan. Landslides, Vol. 17, Pages 641-658, 2020.
• 34. Doğan, G. and Ergen, B. “İmobilenet cnn yaklaşımları ve özellik seçme yöntemleri kullanarak araç türlerini sınıflandırma”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Vol. 25, Issue 3, Pages 618-628, 2021.
• 35. Elmas, B. “Türki̇ye'deki̇ kelebek türleri̇ni̇n basamakli evri̇şi̇mli̇ si̇ni̇r ağlari i̇le siniflandirilmasi”. Konya Journal of Engineering Sciences, Vol. 9, Issue 3, 568-587, 2021.
• 36. Uçar, M. “Glokom hastalığının evrişimli sinir ağı mimarileri ile tespiti”. Deu Muhendislik Fakultesi Fen Ve Muhendislik, Vol. 23, Issue 68, Pages 521-529, 2021.
• 37. Gökçe, E., Demiral, M. F., Işık, A. H., & Bilen, M. “Evrişimli sinir ağlarında beyin tümörü segmentasyonu”. El-Cezeri Fen Ve Mühendislik Dergisi. Vol. 9, Issue 4, Pages 1518-1528, 2022.
• 38. Kantar, O. and Kilimci, Z. H. “Derin öğrenme temelli hibrid altın endeksi (xau/usd) yön tahmin modeli”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Vol. 38, Issue 2, Pages 1117-1128, 2022.
• 39. Özen, G., Sultanov, R., Özen, Y., & Güneş, Z. Y. “A Convolutional Neural Network Based on Raw Single Channel EEG for Automatic Sleep Staging”. Sakarya University Journal of Computer and Information Sciences, Vol. 3, Issue 3, pages149-158, 2020.
• 40. Cilia, N. D., De Gregorio, G., De Stefano, C., Fontanella, F., Marcelli, A., and Parziale, A. “Diagnosing Alzheimer’s disease from on-line handwriting: a novel dataset and performance benchmarking”. Engineering Applications of Artificial Intelligence, Vol. 111, 104822, 2022.
• 41. Garré-Olmo, J., Faundez-Zanuy, M., Ipiña, K. L. d., Calvó-Perxas, L., & Turró‐Garriga, O. “Kinematic and pressure features of handwriting and drawing: preliminary results between patients with mild cognitive impairment, alzheimer disease and healthy controls”. Current Alzheimer Research, Vol. 14, Issue 9, Pages 960-968, 2017.
• 42. Cilia, N. D., Stefano, C. D., Fontanella, F., Marcelli, A., & Parziale, A. “Diagnosing alzheimer’s disease from on-line handwriting: a novel dataset and performance benchmarking”. Engineering Applications of Artificial Intelligence, Vo. 111, 104822, 2022.
• 43. Öcal, H. “A novel approach to detection of alzheimer’s disease from handwriting: triple ensemble learning model”. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji, Vol. 12, Issu 1, Pages 214-223, 2024.