ПЕРЕДОВЫЕ МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ УЛУЧШЕННОГО ПРОГНОЗИРОВАНИЯ СТАДИЙ БОЛЕЗНИ АЛЬЦГЕЙМЕРА

Мохамед Дуаш, Ронкин Михаил

В статье рассматривается применение моделей глубокого и машинного обучения для прогнозирования стадий болезни Альцгеймера с целью повышения точности и качества диагностики. Сравнены три модели CNN, K-ближайшие соседи, временные сверточные сети (TCN) и XGBoost для классификации стадий изображений мозга. CNN модели оптимизированы для извлечения пространственных особенностей, KNN используется для классификации, TCN — для анализа временных закономерностей, а XGBoost улучшает предсказания с помощью ансамблевого метода. Целью было найти наиболее точную и вычислительно эффективную модель. Результаты экспериментов показывают сильные и слабые стороны каждого подхода для выбора лучших алгоритмов для клинической практики.

Ключевые слова:Болезнь Альцгеймера, CNN, метод K-ближайших соседей (KNN), временные сверточные сети (TCN), XGBoost, машинное обучение, глубокое обучение, классификация при сканировании мозга, анализ медицинских изображений, точность прогнозирования, ансамблевое обучение, диагностические инструменты