هلیا گیویان - دانشکده مهندسی پزشکی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران
فرشته یوسفی ریزی - استادیار، دانشکده مهندسی پزشکی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران

بیماری آلزایمر یک اختلال مغزی شایع در افراد بزرگسال است که منجر به کوچک شدن حافظه و اختلال تفکر می شود. تشخیص زودهنگام بیماری آلزایمر به منظور جلوگیری از پیشرفت آن، ضروری است. از این رو هدف آن است که این بیماری و بیماری های اختلال شناختی، در زمان درست و دقیق تشخیص داده شوند. تشخیص بیماری آلزایمر می تواند توسط؛ تصاویر تشدید مغناطیسی (MRI) و تصاویر عصبی یا مغزی، به صورت دستی توسط کارشناسان و یا به صورت خودکار توسط روش های مبتنی بر رایانه، انجام شود. یکی از روش های تشخیص خودکار مبتنی بر رایانه، استفاده از روش های یادگیری ماشین مانند؛ شبکه های عصبی عمیق (Deep Neural Network) و کانولوشن (Convolutional Neural Network)، ماشین بردار پشتیبان (Support Vector Machine)، بیز ساده (Naive Bayes) و نزدیک ترین همسایگیk (K-Nearest Neighbor) است. هدف از این مقاله نیز، بررسی برخی تحقیقات صورت گرفته در سال های اخیر (۲۰۱۵ الی ۲۰۱۹) در زمینه تشخیص بیماری آلزایمر بر مبنای تصاویر تشدید مغناطیسی با استفاده از روش های یادگیری ماشین و مقایسه برخی عوامل همچون؛ روش طبقه بندی و ارتباط مجموع دادگان و دقت حاصل است. نتایج حاصل از بررسی تحقیقات، حاکی از آن است که، شبکه های عصبی عمیق و کانولوشن امروزه رشد قابل توجهی داشته اند و ۴۳% تحقیقات بیان شده در این مقاله را شامل می شوند و توانسته اند موفق عمل کنند و استفاده از روش ماشین بردار پشتیبان، ۲۴% تحقیقات بیان شده را شامل می شود که حاوی نتایج مطلوبی است و روش بیز ساده، ۱۱% و سایر روش ها همچون نزدیک ترین همسایگیk، %۲۲ از تحقیقات را شامل می شوند. همچنین می توان بیان کرد که؛ تحقیقاتی که دارای دقت بالای حدود ۸۰% بوده اند، از مجموع دادگان کمتر از ۵۰۰ داده استفاده کرده اند.

بیماری آلزایمر، اختلال شناختی، تصاویر تشدید مغناطیسی (MRI)، یادگیری ماشین، شبکه های عصبی عمیق، شبکه های عصبی کانولوشنی، ماشین بردار پشتیبان، بیز ساده، نزدیک ترین همسایگیk