Prediction of Alzheimer's Diagnosis with Machine Learning and Innovative Feature Engineering

Murat Emeç; Gamze Gezgin

Makale detayları

Prediction of Alzheimer's Diagnosis with Machine Learning and Innovative Feature Engineering

Yazarlar:

Murat Emeç | Gamze Gezgin

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.457-465

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358751

pISSN:

1302-9304

Anahtar kelimeler:

Özet:

 Alzheimers disease is a leading cause of dementia, presenting significant challenges to healthcare systems globally. Early diagnosis is essential for effective management and intervention, yet traditional diagnostic methods remain invasive, time-consuming, and costly. This study investigates the application of advanced machine learning models, emphasising the role of feature selection techniques, such as RFE Recursive Feature Elimination and hyperparameter optimisation, to enhance the early detection of Alzheimers disease. Among the evaluated models, CatBoost with RFE achieved the highest performance, with an accuracy of 95.81 and an F1-score of 94.00, demonstrating its robustness and reliability as a diagnostic tool. Random Forest and XGBoost models also showed strong results, particularly when combined with feature importance and RFE. The findings highlight the significant impact of feature engineering and hyperparameter tuning in improving model performance across key metrics, including accuracy, recall, precision, and F1-score. This research underscores the potential of integrating machine learning techniques into medical diagnostics, offering a non-invasive, cost-effective, and efficient approach to Alzheimers disease prediction. The insights gained from this study lay the groundwork for future advancements in diagnostic models, aiming to improve early detection strategies and patient outcomes, ultimately contributing to the global effort to mitigate the impact of Alzheimers disease on individuals and society.

 Alzheimers disease is a leading cause of dementia, presenting significant challenges to healthcare systems globally. Early diagnosis is essential for effective management and intervention, yet traditional diagnostic methods remain invasive, time-consuming, and costly. This study investigates the application of advanced machine learning models, emphasising the role of feature selection techniques, such as RFE Recursive Feature Elimination and hyperparameter optimisation, to enhance the early detection of Alzheimers disease. Among the evaluated models, CatBoost with RFE achieved the highest performance, with an accuracy of 95.81 and an F1-score of 94.00, demonstrating its robustness and reliability as a diagnostic tool. Random Forest and XGBoost models also showed strong results, particularly when combined with feature importance and RFE. The findings highlight the significant impact of feature engineering and hyperparameter tuning in improving model performance across key metrics, including accuracy, recall, precision, and F1-score. This research underscores the potential of integrating machine learning techniques into medical diagnostics, offering a non-invasive, cost-effective, and efficient approach to Alzheimers disease prediction. The insights gained from this study lay the groundwork for future advancements in diagnostic models, aiming to improve early detection strategies and patient outcomes, ultimately contributing to the global effort to mitigate the impact of Alzheimers disease on individuals and society.

 Alzheimers disease is a leading cause of dementia, presenting significant challenges to healthcare systems globally. Early diagnosis is essential for effective management and intervention, yet traditional diagnostic methods remain invasive, time-consuming, and costly. This study investigates the application of advanced machine learning models, emphasising the role of feature selection techniques, such as RFE Recursive Feature Elimination and hyperparameter optimisation, to enhance the early detection of Alzheimers disease. Among the evaluated models, CatBoost with RFE achieved the highest performance, with an accuracy of 95.81 and an F1-score of 94.00, demonstrating its robustness and reliability as a diagnostic tool. Random Forest and XGBoost models also showed strong results, particularly when combined with feature importance and RFE. The findings highlight the significant impact of feature engineering and hyperparameter tuning in improving model performance across key metrics, including accuracy, recall, precision, and F1-score. This research underscores the potential of integrating machine learning techniques into medical diagnostics, offering a non-invasive, cost-effective, and efficient approach to Alzheimers disease prediction. The insights gained from this study lay the groundwork for future advancements in diagnostic models, aiming to improve early detection strategies and patient outcomes, ultimately contributing to the global effort to mitigate the impact of Alzheimers disease on individuals and society.

 Alzheimer hastalığı, dünya çapında sağlık sistemleri için büyük sorunlar yaratır ve demansın önde gelen nedenlerindendir. Erken teşhis edilmesi, etkili yönetim ve müdahaleyi mümkün kılar. Bununla birlikte geleneksel tanı yöntemleri zaman alıcı, invaziv ve maliyetlidir Bu çalışma Alzheimer hastalığının erken tanısı için Recursive Feature EliminationRFE gibi özellik seçim teknikleri ve hiperparametre optimizasyonunun rolünü vurgulayarak, gelişmiş makine öğrenmesini modellerinin uygulanmasını araştırmaktadır. Değerlendirmeler sonucunda, RFE ile beraber kullanılan CatBoost modeli, 95,81 doğruluk ve 94,00 F1-skora ulaşarak sağlamlığı ve güvenilirliğiyle öne çıkan model olmuştur. Random Forest ve XGBoost modelleri de, özellik önemi ve RFE ile birleştirildiğinde güçlü sonuçlar elde edebilmiştir. Araştırma, doğruluk, duyarlılık, kesinlik ve F1-skor gibi temel metriklerde model performansını artırmada özellik mühendisliği ve hiperparametre ayarlarının öne çıkan etkisini vurgulamaktadır. Bu araştırma, tıbbi tanılarda makine öğrenimi tekniklerinin entegre edilmesi sonucunda invaziv olmayan, maliyet etkin ve verimli bir yaklaşım sunulabildiğini ortaya koymaktadır. Çalışma sonucunda elde edilen bilgiler, erken tanı yöntemlerini ve hasta sonuçlarını iyileştirmeyi hedefleyen teşhis modellerinde gelecekteki ilerlemelere zemin hazırlamaktadır. Bununla beraber alzheimer hastalığının bireyler ve toplum üzerindeki etkisini düşürmeye yönelik küresel çalışmalara katkıda bulunmaktadır.

Makale detayları

Prediction of Alzheimer's Diagnosis with Machine Learning and Innovative Feature Engineering

Yazarlar:

Murat Emeç | Gamze Gezgin

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.457-465

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358751

pISSN:

1302-9304

Alzheimer

Early Diagnosis

Machine Learning

Feature EngineeringAlzheimer hastalığı

Erken Tanı

Makine Öğrenmesi

Özellik Mühendisliği

Sayı

Makale detayları

Yazarlar: Murat Emeç | Gamze Gezgin

Yayıncı: Dokuz Eylul University

Ana Başlıklar: Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi: Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.457-465

Belge Tipi: Makale

Yayın Tarihi: 9/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001358751

pISSN: 1302-9304

Sayı

Yazarlar:

Murat Emeç | Gamze Gezgin

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.457-465

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358751

pISSN:

1302-9304