Akademik Veri Yönetim Sistemi
6. Uluslararası Bilimsel Araştırmalar ve Yenilikçi Çalışmalar Sempozyumu (ISSRIS'26), Balıkesir, Türkiye, 11 - 14 Mart 2026, ss.54-62, (Tam Metin Bildiri)
Alzheimer hastalığı (AD), hafıza, konuşma, hareket ve düşünme gibi bilişsel ve davranışsal yeteneklerin bozulmasına yol açan nörolojik bir hastalıktır. Birçok hastalıkta olduğu gibi Alzheimer hastalığında da erken tanı tıp alanında kritik öneme sahiptir. Bu çalışma, Alzheimer hastalığının erken tanısını desteklemek amacıyla K-En Yakın Komşu (KNN) algoritmasının performansını Parçacık Sürü Optimizasyonu (PSO) kullanarak geliştirmeyi amaçlamaktadır. Bu kapsamda, komşu sayısı (k), uzaklık metriği ve ağırlıklandırma stratejisi gibi KNN parametreleri, sınıf dengesizliği dikkate alınarak PSO ile optimize edilmiştir. Uygunluk (fitness) fonksiyonu, geleneksel doğruluk (accuracy) metriği yerine F1, Recall ve Precision skorlarının ağırlıklı birleşimi olarak tanımlanmıştır. Bunun temel amacı, modelin “hasta” sınıfını doğru şekilde tespit etme yeteneğini artırmaktır. Ayrıca önerilen yöntem, klasik PSO’dan farklı olarak dinamik sınır daraltma (dynamic boundary-shrinking) mekanizmasını içermektedir. Bu mekanizma, arama uzayındaki gereksiz bölgeleri ortadan kaldırarak algoritmanın daha hızlı yakınsamasını sağlamaktadır. Bu çalışmada kullanılan veri seti, Alzheimer hastalığı ile ilişkili klinik göstergeler ve bilişsel test skorlarını içermektedir. Elde edilen sonuçlar, optimize edilmiş KNN modelinin F1, Recall ve Precision metriklerinde önemli iyileşmeler sağladığını göstermektedir. Bu nedenle çalışma, Alzheimer gibi kritik hastalıkların erken teşhisini destekleyen makine öğrenmesi uygulamalarına katkı sağlamaktadır.
Alzheimer’s disease (AD) is a neurological disorder that leads to the deterioration of both cognitive and behavioral abilities such as memory, speech, movement, and clear thinking. As in many other diseases, early diagnosis of Alzheimer’s is critically important in the medical field. This study aims to enhance the performance of the K-Nearest Neighbors (KNN) algorithm using Particle Swarm Optimization (PSO) to support early diagnosis of Alzheimer’s disease. In this context, the KNN parameters—number of neighbors (k), distance metric, and weighting strategy—were optimized using PSO while taking class imbalance into account. The fitness function was defined as a weighted combination of F1, Recall, and Precision scores instead of the conventional accuracy metric, with the goal of improving the model’s ability to correctly identify the “patient” class. Additionally, the proposed method incorporates a dynamic boundary-shrinking mechanism, distinguishing it from classical PSO and enabling faster convergence by removing unnecessary regions from the search space. The dataset used in this study includes clinical indicators and cognitive test scores related to Alzheimer’s disease. The results demonstrate that the optimized KNN model achieves significant improvements in F1, Recall, and Precision metrics. Therefore, this study contributes to machine learning applications that support early diagnosis in critical diseases such as Alzheimer’s.