دراسة مقارنة لنماذج التعلم الآلي والتعلم العميق للكشف المبكر عن مرض باركنسون باستخدام الخصائص الصوتية

الملخص

يُعد الكشف المبكر عن مرض باركنسون (PD) تحدياً حيوياً، خاصة وأن التغيرات الصوتية تظهر كعرض مبكر وغير جراحي للمرض. تهدف هذه الدراسة إلى تقييم ومقارنة أداء خوارزميات التعلم الآلي والتعلم العميق في تصنيف مرضى باركنسون عن الأفراد الأصحاء بالاعتماد على مجموعة موحدة من الخصائص الصوتية الكمية (مثل Jitter، Shimmer، HNR، وPPE). تم تطبيق إطار عمل CRISP-DM لضمان منهجية قوية وموثوقة، وتم اختيار ثلاثة نماذج تصنيف متباينة: آلات دعم المتجهات (SVM) مع نواة RBF، والغابات العشوائية (Random Forest)، والشبكات العصبية العميقة (DNN). تم تدريب النماذج وتقييمها باستخدام مقاييس أداء صارمة تركز على السياق الطبي، مثل الدقة (Accuracy)، والاسترجاع (Recall)، والدقة الإيجابية (Precision)، و F1-Score. تُظهر النتائج التي سيتم مناقشتها تحديد النموذج الأكثر فعالية في تحقيق توازن عالٍ بين الحساسية والنوعية، مما يوفر رؤى واضحة لتطوير أنظمة تشخيصية غير جراحية تعتمد على الذكاء الاصطناعي للمساهمة في التشخيص المبكر لمرض باركنسون.