मशीन लर्निंगने अल्जाइमर वर्गीकरणात 88.1% अचूकता साधली

मशीन लर्निंगच्या अलीकडील प्रगतीने अल्जाइमर रोगाच्या वर्गीकरणात महत्त्वपूर्ण प्रगती दर्शविली आहे, ज्यात तीन प्रमुख वर्गीकरण कार्यांमध्ये 88.1% अचूकता साधली गेली आहे. 761 सहभागींच्या डेटाच्या द्वितीयक विश्लेषणावर आधारित असलेल्या या संशोधनाने अल्जाइमरशी संबंधित संज्ञानात्मक विकारांच्या निदानात मशीन लर्निंगच्या सहाय्याची क्षमता स्पष्ट केली आहे.

या अध्ययनात रँडम फॉरेस्ट आणि सपोर्ट व्हेक्टर मशीन यासारख्या पाच विविध मशीन लर्निंग अल्गोरिदमचे मूल्यांकन केले गेले, जे 10 नियमितपणे उपलब्ध जनसांख्यिकीय आणि नैदानिक चरांचा वापर करतात. विशेष म्हणजे, या मॉडेल्सने न्यूरोइमेजिंग किंवा बायोमार्कर मूल्यांकनांवर अवलंबून राहिले नाही, जे सामान्यतः निदान प्रक्रियेला गुंतागुंतीचे बनवतात. तीन वर्गीकरण कार्यांमध्ये सर्व संज्ञानात्मक श्रेणींच्या दरम्यान भेद करणे, अल्जाइमर डिमेंशिया आणि नॉन-डिमेंशिया यामध्ये ओळख करणे, आणि संज्ञानात्मक विकार आणि असामान्य संज्ञान यामध्ये भेद करणे समाविष्ट होते.

प्रदर्शनाच्या संदर्भात, मानक मॉडेल्सने सर्व तीन संज्ञानात्मक श्रेणींच्या वर्गीकरणात 63.6% ते 68.2% यामध्ये अचूकता साधली. तथापि, अल्जाइमर डिमेंशिया आणि नॉन-डिमेंशिया सहभागींच्या दरम्यान भेद करताना, मॉडेल्सने 76.8% ते 78.8% यामध्ये अचूकता साधली. क्लिनिकली परिभाषित संज्ञानात्मक विकार आणि असामान्य संज्ञान यामध्ये भेद करताना सर्वात उच्च प्रदर्शन दिसून आले, जिथे अचूकता 78.1% ते 88.1% पर्यंत पोहोचली.

या आशादायक परिणामांवरून, संशोधकांनी चेतावणी दिली की या मॉडेल्सना अद्याप चिकित्सकीय दृष्ट्या व्यवहार्य मानले जाऊ नये. अध्ययनाने संज्ञानात्मक स्क्रीनिंग उपायांच्या महत्त्वावर प्रकाश टाकला आणि विविध जनसंख्यांमध्ये बाह्य मान्यता आवश्यक असल्याचे अधोरेखित केले, जेणेकरून या मॉडेल्सची वास्तविक जगातील आरोग्य सेवा सेटिंग्जमध्ये उपयोगिता सुनिश्चित करता येईल.

आगामी काळात, संशोधकांनी या मशीन लर्निंग दृष्टिकोनांची मान्यता मिळवण्यासाठी पुढील अध्ययन करण्याची शिफारस केली आहे. या मॉडेल्स वास्तविक आरोग्य सेवा वातावरणात चिकित्सकीय निर्णय घेण्यात सहाय्य करू शकतील याची खात्री करण्यासाठी संभाव्य बाह्य मान्यता आवश्यक आहे.