۲۰ نتیجه برای شبکه عصبی
محترم میرزایی، محمد فیروزآبادی،
دوره ۳، شماره ۱ - ( ۳-۱۳۹۵ )
چکیده
مقدمه: نارسایی مزمن کلیه از بیماریهای شایع در ایران و جهان است و پیوند کلیه روش درمانی مناسب و مؤثرترین راهبرد در بین بیماران مبتلا به نارسایی مزمن کلیه است. این مطالعه جهت پیشبینی بقای کلیه پیوندی و شناسایی عوامل مؤثر بر آن و ارائه یک مدل به منظور صحت پیشبینی بالاتر انجام شد.
روش: مطالعه حاضر به روش گذشته‌نگر بر روی دادههای ۴۲۳ مورد پرونده بیماران پیوند کلیه در سالهای ۹۰-۱۳۸۵ در مرکز آموزشی-درمانی افضلی‌پور شهر کرمان انجام گرفت. از طبقهبندهای شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان جهت پیش بینی بقای پیوند کلیه و از همجوشی اطلاعات برای ترکیب نتایج طبقهبندهای ذکر شده، به منظور طراحی مدلی با صحت بالاتر استفاده شد. همچنین، برای شناسایی متغیرهای تأثیرگذار در بقای کلیه پیوندی از الگوریتم ژنتیک و جهت تحلیل داده‌ها و اجرای الگوریتم‌ها از نرم افزارهای Clementine ۱۲ و Weka استفاده شد.
نتایج: صحت حاصل از سه روش شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان به ترتیب برابر با ۹۴ ، ۹۲و ۹۲ درصد و صحت به دست آمده از روش همجوشی اطلاعات برابر ۹۵/۷۴درصد بوده است. همچنین، ویژگیهای شاخص توده بدنی و جنسیت گیرنده، سن دهنده، همسانی گروه خونی دهنده و گیرنده و سابقه پیوند کلیه توسط الگوریتم ژنتیک به عنوان متغیرهای تأثیرگذار در بقای پیوند کلیه شناسایی شد که صحت پیشبینی مدل پیشنهادی با این تعداد ویژگی ۹۱/۶۷درصد بوده است.
نتیجه‌گیری: با استفاده از همجوشی اطلاعات، میتوان صحت نتایج طبقه‌بندها را افزایش داد. همچنین، الگوریتم ژنتیک روش مناسبی جهت شناسایی ویژگیهای بهینه است.
ایمان ذباح، سید احسان یثربی، زهرا رمضانپور، خدیجه صحراگرد،
دوره ۴، شماره ۱ - ( ۳-۱۳۹۶ )
چکیده
مقدمه: غده تیروئید نسبت به غدههای دیگر بدن بیشتر دچار مشکل میشود و در صورت عدم تشخیص به موقع بی نظمیهای تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بینظمیهای تیروئید (پرکاری یا کمکاری) بر پایه تستهای آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیشبینی بیماری تیروئید از نظر کمکاری و پرکاری را داشته باشد.
روش: این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل ۷۲۰۰ رکورد مستقل مبتنی بر ۲۱ ریسک فاکتور و برگرفته شده از مرجع داده UCI می‌باشد که از این تعداد ۷۰% نمونهها جهت آموزش و ۳۰% آنها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکههای عصبی، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکههای عصبی به روش سلسله مراتبی می‌پردازد.
نتایج: پس از مدل‌سازی و مقایسه مدل‌های تولید شده و ثبت نتایج دقت پیشبینی بیماری تیروئید با استفاده از روش شبکه عصبی ۶/۹۶% و روش سلسله مراتبی ۱۰۰% به دست آمد.
نتیجه‌گیری: کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روش‌های مبتنی بر داده‌کاوی میتواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکههای عصبی، نشان میدهد که ارائه روش قوی‌تری به نام ترکیب شبکههای عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص میشود.
پروانه دهقان، مائده مقربی، ایمان ذباح، کامران لایقی، علی ماروسی،
دوره ۴، شماره ۴ - ( ۱۲-۱۳۹۶ )
چکیده
مقدمه: سرطان سینه رایج‌ترین شکل سرطان در زنان است. اهمیت تشخیص سرطان سینه به عنوان یکی از موضوعات مهم در علم پزشکی مطرح میشود. تشخیص خوش‌خیم یا بدخیم بودن سرطان علاوه بر کاهش هزینه‌ها در جهت‌گیری نوع درمان از اهمیت فوق‌العاده‌ای برخوردار است. هدف از این پژوهش ارائه مدل‌هایی بر اساس داده‌کاوی است که قابلیت پیشبینی بیماری سرطان سینه را داشته باشند.
روش: این مطالعه از نوع توصیفی-تحلیلی می‌باشد. پایگاه داده آن شامل ۶۸۳ رکورد مستقل شامل ۹ متغیر موجود در پایگاه داده یادگیری ماشین UCI می‌باشد. در این مقاله، از شبکههای عصبی مصنوعی پرسپترون، بیزین و شبکه عصبی LVQ برای کلاس بندی سرطان سینه به دوکلاس خوش‌خیم و بدخیم استفاده شده است. از ۸۰% داده‌ها جهت آموزش و از ۲۰% باقی‌مانده جهت آزمون استفاده شد.
نتایج: پس از پیش‌پردازش داده‌ها شبکههای عصبی متفاوت با معماری‌های مختلف مورد بررسی قرار گرفتند. در بهترین حالت خوش‌خیم یا بدخیم بودن سرطان را در شبکههای عصبی پرسپترون چند لایه و شبکه عصبی LVQ و بیزین با میانگین ده بار تست به ترتیب با دقت‌های ۹۷/۵% و ۹۷/۶% و ۹۸/۳% پیشبینی شد. بررسی‌های مطالعه نشان داد که شبکه عصبی بیزین در تشخیص بیماری موفق‌تر است.
نتیجه گیری: سرطان پستان یکی از شایعترین سرطان‌ها در بین زنان می‌باشد. تشخیص به موقع بیماری ضمن کاهش هزینه‌ها، شانس درمان موفقیت‌آمیز بیمار را افزایش میدهد. در این مطالعه ضمن تشخیص بیماری به کمک روش‌های داده‌کاوی، توانست با استفاده از شبکه عصبی بیزین به دقت بالایی در تشخیص بیماری دست یابد.
مجید حسن زاده، ایمان ذباح، کامران لایقی،
دوره ۵، شماره ۲ - ( ۶-۱۳۹۷ )
چکیده
مقدمه: بیماری عروق کرونر قلب، شایعترین بیماری قلبی است و از علل اصلی مرگ در زنان و مردان است. این مطالعه با هدف پیش بینی وضعیت این بیماری با استفاده از روش ترکیب شبکه های عصبی (ترکیب خبره ها) انجام شد.
روش: این تحقیق از نوع تشخیصی و بر روی ۲۰۰ نفر از مراجعین به مرکز تخصصی قلب و عروق شهرستان تربت حیدریه انجام شد. پرونده مراجعین حاوی اطلاعات دموگرافیک بیماران شامل ۱۳ ریسک فاکتور بود. تولید مدل پیش بینی بیماری عروق کرونر قلب بر اساس شبکه های عصبی پرسپترون چندلایه و سپس جمع بندی نظرات آنها انجام شد.
نتایج: در ابتدا از یک شبکه عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا استفاده گردید. بهترین معماری توانست با دقت ۷۱/۷% بسته بودن عروق کرونر قلب را پیش بینی کند. سپس با افزایش تعداد شبکه ها و تعلیم آنها، ترکیب نتایج با یکدیگر انجام شد. ترکیب خبره ها با روش خطی رأی اکثریت و غیرخطی شبکه عصبی راه گاهی انجام و دقت پیش بینی به ترتیب ۷۵/۸ %و ۷۸/۳ %به دست آمد.
نتیجه گیری: آنژیوگرافی یک روش تهاجمی و همراه با ریسک هایی مانند سکته قلبی و مغزی است؛ لذا باید از روش های غیرتهاجمی در تشخیص عروق کرونر قلب استفاده کرد. در این مطالعه با افزایش تعداد یادگیرها و سپس ترکیب غیرخطی آنها دقت تشخیص افزایش یافت.
هاله آیت اللهی، لیلا غلامحسینی، مسعود صالحی،
دوره ۵، شماره ۲ - ( ۶-۱۳۹۷ )
چکیده
مقدمه: بیماری های قلبی- عروقی نخستین علت مرگ در جهان هستند و براساس برآورد سازمان بهداشت جهانی، مرگ ناشی از بیماریهای قلبی تا سال۲۰۳۰ به ۲۳ میلیون مورد افزایش خواهد یافت. از این رو، به نظر میرسد استفاده از الگوریتم های داده کاوی برای پیش بینی بیماری عروق کرونر قلب بسیار کاربردی باشد. هدف از پژوهش حاضر مقایسه عملکرد الگوریتم های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM)در پیش بینی بیماری عروق کرونر قلب بود.
روش: پژوهش حاضر از نوع توصیفی-تحلیلی و نمونه پژوهش شامل تمام بیماران بستری مبتلا به بیماری عروق کرونر قلب در سه بیمارستان تابعه دانشگاه علوم پزشکی آجا بین سالهای ۱۳۹۵ تا ۱۳۹۶ بود. درمجموع، ۱۳۲۴ رکورد با ۲۶ ویژگی مؤثر در این بیماری استخراج و پس از نرمال سازی و پاکسازی داده ها، در نرم افزار SPSS نسخه ۲۳و Excel نسخه ۲۰۱۳ وارد شدند. برای قالب بندی داده ها نیز از نرم افزار داده کاوی ۳,۲.R۳ استفاده گردید.
نتایج: الگوریتم ماشین بردار پشتیبان با میانگین درصد خطای مطلق پایین تر (۱۱۲/۰۳)، آماره هاسمر-لمشو بالاتر (۱۶/۷۱)، حساسیت (۹۲/۲۳) و ویژگی (۷۴/۴۲)نسبت به مدل شبکه عصبی دقیق تر بود. همچنین، مساحت زیر منحنی راک در الگوریتم SVM بیشتر از ANN بود و میتوان نتیجه گرفت که این مدل دارای دقت بیشتری است.
نتیجه گیری: در این مطالعه، الگوریتم SVM نسبت به مدل شبکه عصبی دقت و عملکرد بهتری در پیش بینی بیماری عروق کرونر قلب نشان داد و دارای حساسیت و صحت بالاتری بود. با این حال پیشنهاد می گردد که نتایج مطالعه حاضر با یافته های حاصل از به کارگیری سایر الگوریتم های داده کاوی در پژوهش های آتی مورد مقایسه قرار گیرد.
سیده راحیل موسوی، محمدمهدی سپهری،
دوره ۵، شماره ۴ - ( ۱۲-۱۳۹۷ )
چکیده
مقدمه: بیماریهای قلبی- عروقی در حال تبدیلشدن به اصلیترین عامل مرگ‌ومیر و ناتوانی بشر در اغلب کشورهای دنیا هستند. هدف از انجام این پژوهش، پیشبینی انواع بیماریهای قلبی جهت تشخیص دقیقتر به وسیله تکنیک‌های داده‌کاوی و شبکه عصبی می‌باشد.
روش: این پژوهش به صورت کاربردی-پیمایشی انجام و پس از پیش‌پردازش داده‌ها از سه رویکرد شبکه عصبی، درخت تصمیم‌گیری و الگوریتم ساده بیزی برای پیشبینی و تشخیص در نرم افزار Rapid miner و از مدل شبکه عصبی مصنوعی برای پیشبینی در نرمافزار Matlab استفاده شد.
نتایج: از الگوریتم ژنتیک برای انتخاب متغیرهای مؤثر و برای پیشبینی انواع بیماری قلبی، در داده‌کاوی از مدل‌های شبکه عصبی مصنوعی، درخت تصمیم‌گیری و الگوریتم ساده بیزی استفاده شد. همچنین از مدل AHP برای تعیین مدل با بهترین عملکرد پیشبینی انواع بیماریهای قلبی استفاده شد.
نتیجه گیری: شبکه عصبی عملکرد بسیار بهتری نسبت به مدل‌های داده‌کاوی دیگر ارائه شده در تشخیص انواع بیماریهای قلبی در این پژوهش دارد. همچنین در تشخیص بیماری به وسیله شبکه عصبی مصنوعی، مدل با دقت بالای ۸۰ درصد، خوب و مورد قبول واقع شد.
حسین قیومی زاده، علی فیاضی، مصطفی دانائیان، آلاء سعیدی،
دوره ۶، شماره ۴ - ( ۱۲-۱۳۹۸ )
چکیده
مقدمه: بیماری تب مالت (بروسلوزیس) یکی از مهم‌ترین بیماریهای عفونیِ مشترک بین انسان و دام محسوب میشود. با توجه به اندمیک بودن تب مالت و وجود گزارش‌های متعددی از موارد انسانی و حیوانی آن، میزان شیوع تب مالت انسانی در شهرستان رفسنجان در طول ۳ سال (۹۷-۱۳۹۵) تعیین گردید. هدف از این مطالعه یافتن یک تطابق و همسان‌سازی روشی خودکار و هوشمندانه با حساسیت کم بر مبنای شبکه عصبی است، که قادر به تشخیص دقیق تب مالت باشد.
روش: در این مطالعه توصیفی-تحلیلی موارد بروسلوز انسانی بر اساس شاخص‌های جنس، سن، بارداری، سابقه تماس با دام و استفاده از مواد غیر‌پاستوریزه لبنی، پارامترهای آزمایشگاهی Wright و ۲ME در طول ۳ سال از شهرستان رفسنجان واقع در جنوب ایران تحلیل شد. داده‌ها به دو زیر مجموعه آموزش (۸۰%) و آزمون (۲۰%) تقسیم شدند. از روش شبکه عصبی مصنوعی آتوانکو در عمیق برای آموزش هر زیر مجموعه استفاده شد.
نتایج: روش آتوانکو در عمیق به صحت ۹۰/۸۴% حساسیت ۹۴/۶۱% و ویژگی ۵۰% در پیشبینی موارد بیماری بروسلوزیس در مجموعه دادههای آزمون دست یافت، نتایج تجربی، عملکرد دقیق شبکه عصبی را در تشخیص بیماری بروسلوز نشان داد.
نتیجه‌گیری: مدل شبکه عصبی مصنوعی عمیق میتواند به عنوان یک روش کارآمد و هوشمند برای تشخیص موارد بروسلوز انسانی به کار گرفته شود. با این حال مطالعه و پژوهش‌های بیشتری برای طراحی مدل‌های دیگر از شبکههای عصبی مصنوعی بر اساس یادگیری عمیق جهت تشخیص سایر بیمارهای عفونی مورد نیاز است.
رویا آرین، علیرضا مهری دهنوی، فهیمه قاسمی،
دوره ۷، شماره ۱ - ( ۳-۱۳۹۹ )
چکیده
مقدمه: پروتئین کیناز عامل ایجاد بسیاری از بیماری‌ها از جمله سرطان است؛ بنابراین مهار آن ها در درمان بسیاری از بیماری‌ها نقش بسزایی ایفا میکند. کشف داروهای جدید با روش‌های آزمایشگاهی، از جمله موضوعات هزینه بردار و زمان‌بر می‌باشد؛ یافتن مدل‌های محاسباتی قابل اطمینان برای شناسایی مهار‌کننده‌ها میتواند هزینه‌ها را به حداقل برساند. هدف از این مطالعه به کارگیری روش شبکه عصبی جهت طبقه‌بندی ترکیبات در دو گروه فعال و غیر فعال و مدل رگرسیون خطی مینیمم خطای جزئی به منظور تخمین میزان اثر بیولوژیکی آنها است.
روش: در این پژوهش، پس از استخراج توصیفگرها از داده‌ها، به منظور جلوگیری از بیش برازش مدل‌ها، کاهش ابعاد داده از طریق الگوریتم ژنتیک صورت پذیرفت. همچنین جهت طبقه‌بندی داده‌ها در کلاس فعال و غیر فعال از مدل شبکه عصبی و جهت تخمین مقادیر اثر بیولوژیکی ریزملکول‌ها از مدل رگرسیون خطی مینیمم خطای جزئی استفاده شد.
نتایج: نتایج نشان داد بعد از کاهش بعد توصیفگرهای ملکولی، صحت مدل شبکه عصبی از ۷۴/۴۵% به ۸۶/۷% تغییر یافت. این مدل در تعداد گره‌های لایه پنهان برابر با ۶، صحت ۸۶/۷%، حساسیت ۸۳/۴%، اختصاصی بودن ۸۹/۶% و ضریب همبستگی متیو ۷۳/۲% را ارائه میدهد. مدل رگرسیون خطی مینیمم خطای جزئی نیز با میزان همبستگی متوسط ۸۵/۸% مقادیر بیولوژیکی را تخمین می‌زند.
نتیجه‌گیری: مدل طبقه‌بندی شبکه عصبی و مدل رگرسیون خطی مینیمم خطای جزئی تا میزان قابل قبولی می‌توانند مهارکننده‌های پروتئین کیناز را پیشبینی کنند و الگوریتم کاهش بعد ژنتیک عملکرد این مدل‌ها را بهبود می‌بخشد.
امین عابدینی، عفت جبارپور، عباسعلی کشتکار،
دوره ۷، شماره ۳ - ( ۹-۱۳۹۹ )
چکیده
مقدمه: پوکی استخوان یکی از دلایل مهم ناتوانی و مرگ در افراد مسن است. هدف این تحقیق تعیین عوامل تأثیرگذار در بروز پوکی استخوان و ارائه مدل پیشبینی کننده‌ای جهت سرعت بخشیدن به تشخیص وکاهش هزینه‌ها می‌باشد.
روش: در این مطالعه بنیادی توصیفی مدل جدیدی جهت شناسایی ویژگیهای تأثیرگذار بر پوکی استخوان ارائه شده است. اطلاعات مربوط به ۴۰۸۳ نفر زن جهت کشف دانش با ابزار داده کاوی Clementine۱۲ مورد بررسی قرار گرفته است. با استفاده از الگوریتمهای داده‌کاوی شامل درخت تصمیم و شبکه عصبی مصنوعی قوانینی استخراج شده که میتوان به عنوان الگویی برای پیشبینی وضعیت بیماران از آنها استفاده کرد و در نهایت دقت مدل‌های ساخته شده با یکدیگر مقایسه شده‌اند.
نتایج: این تحقیق مدل‌های متعدد را بر روی تعداد ویژگیهای متفاوت بررسی و نتایج حاصل را به منظور یافتن بهترین مدل پیشبینی کننده از نظر دقت و صحت با هم مقایسه میکند. دقت طبقه‌بندی مدل شبکه عصبی MLP با ۹۲/۱۴ درصد از دیگر الگوریتمهای به کار رفته در این مطالعه بیشتر است. با توجه به شناسایی عوامل تأثیرگذار بر پوکی استخوان میتوان برای یک نمونه جدید احتمال ابتلاء به این بیماری را پیشبینی کرد.
نتیجه‌گیری: سازمان‌های متولی مراقبت‌های بهداشتی و سلامت همواره حجم زیادی از اطلاعات را جمع‌آوری میکنند در حالی که این اطلاعات و داده‌ها به درستی مورد استفاده قرار نمی‌گیرند. این مطالعه نشان میدهد با کشف الگوها و روابط پنهان در این داده‌ها میتوان از آنها در جهت بهبود کیفیت ارائه خدمات تشخیصی و درمانی بهره برد.
محمد دهقاندار، عاطفه حسنی بافرانی، محمود دادخواه، مصطفی قربانی، رویا کلیشادی،
دوره ۸، شماره ۱ - ( ۳-۱۴۰۰ )
چکیده
مقدمه: چاقی و فشار خون بالا از مشکلات سلامتی جامعه می‌باشد هدف این مطالعه تشخیص چاقی و فشارخون بالا در دانش‌آموزان اصفهانی توسط شبکه عصبی مصنوعی است.
روش: تحقیق حاضر یک مطالعه تشخیصی و پیشبینی کننده است که با استفاده از اطلاعات ۴۶۰ نفر از دانش‌آموزان ۱۸-۷ ساله اصفهانی شبکه عصبی که شامل ۱۱ متغیر ورودی (سن، جنسیت، وزن، قد، دور کمر، شاخص توده بدنی، نسبت دورکمر به قد، چاقی شکمی، فعالیت فیزیکی، ژنتیک و رفتارهای تغذیه‌ای ناسالم) و سه متغیر خروجی چاقی، فشارخون سیستولیک، فشارخون دیاستولیک، طراحی شد. از دو الگوریتم گرادیان مزدوج و لونبرگ-مارکوارت برای آموزش شبکه استفاده گردید.
نتایج: شبکه عصبی منتخب با الگوریتم لونبرگ در تشخیص چاقی و فشارخون دیاستولیک بالا دارای ۱۶ نرون مخفی و در تشخیص فشارخون سیستولیک بالا دارای ۱۴ نرون مخفی می‌باشد. میزان حساسیت، ویژگی و صحت شبکه در تشخیص چاقی به ترتیب ۰/۹۵۹۱، ۰/۹۹۷۵، ۰/۹۹۳۴ به دست آمد و برای فشارخون سیستولیک بالا به ترتیب ۰/۸۴۶۱، ۰/۹۹۴۹، ۰/۹۷۳۹ و برای فشارخون دیاستولیک بالا به ترتیب اعداد ۰/۷۹۵۲، ۰/۹۹۷۳، ۰/۹۶۰۹ می‌باشد. ملاحظه شد که شبکه طراحی شده با دقت بالای ۹۵ درصد چاقی را در کودکان و نوجوانان و با دقت بالای ۸۴ و ۷۹ درصد به ترتیب فشارخون سیستولیک و دیاستولیک بالا را تشخیص میدهد.
نتیجه‌گیری: طبق نتایج حاصل شده حدود ۸۳ درصد از نوجوانان چاق دارای فشارخون بالا هستند؛ لذا ضرورت طراحی برنامه‌های آموزشی در زمینه تغییرات رفتاری از جمله فعالیت فیزیکی همراه با مداخله در برنامه‌ریزی تغذیه دانش‌آموزان احساس میشود.
پریا سعدی، معصومه زینال نژاد، فرزاد موحدی سبحانی،
دوره ۸، شماره ۲ - ( ۶-۱۴۰۰ )
چکیده
مقدمه: بیماری قلبی عروق کرونری یکی از شایعترین علت‌های مرگ‌ومیر در بزرگ‌سالان است، درحالی‌که، با تشخیص سریع و دقیق، درمان به‌موقع و نجات بیمار تا حد زیادی امکان‌پذیر است. از این‌رو، هدف این پژوهش شناسایی فاکتورهای مؤثر در ابتلاء به این بیماری و ارائه مدلی داده‌محور جهت کمک به پزشکان در پیشبینی و تشخیص آن است.
روش: پژوهش حاضر از نوع تحقیق کاربردی-توسعه‌ای است که در آن ۲۰۳۸ رکورد گردآوری شده در مدت ۵ سال در بیمارستان قلب شهید رجایی تهران، طی عملیات پیش‌پردازش و آماده‌سازی، با استفاده از نمونه‌برداری تصادفی متوازن، به ۱۰۰۰ رکورد، ۵۰۰ بیمار و ۵۰۰ فرد سالم، کاهش یافت. مرور ادبیات تحقیق، مشاوره با پزشکان متخصص، و وزن‌دهی با استفاده از روش کای‌دو، منجر به تعیین ویژگی‌ها شد. مدل‌ها با استفاده از الگوریتمهای ماشین بردار پشتیبان، شبکه عصبی و جنگل تصادفی در محیط نرم‌افزارهای رپیدماینر و پایتون ایجاد شدند.
نتایج: در میان ۳۵ متغیر شناسایی شده، مهم‌ترین ویژگی‌ها عبارت‌اند از بیماری دریچه‌های قلبی، درد قفسه سینه، کلسترول بد، اختلال حرکت دیواره‌ای قلب، تری‌گلیسیرید، سدیم، پتاسیم، فشارخون و وزن. معیار F، دقت، صحت، و بازخوانی، به ترتیب، برای الگوریتم جنگل تصادفی برابر با ۸۲/۱۱%، ۸۱/۴۰%، ۷۹/۰۷%، ۸۵/۴۰% و نرخ خطای مدل ۱۸/۶% محاسبه شد.
نتیجه‌گیری: جنگل تصادفی با دقت قابل قبولی احتمال ابتلاء به بیماری قلبی عروق کرونری را پیشبینی نمود. در مقایسه مدل‌ها، به علت زیاد بودن تعداد گره‌های ورودی، خطای مدل شبکه عصبی، ۲۳/۶%، نسبتاً بیشتر بود.
پریناز اسکندریان، جمشید باقرزاده محاسفی، حبیب اله پیرنژاد، زهرا نیازخانی،
دوره ۸، شماره ۳ - ( ۹-۱۴۰۰ )
چکیده
مقدمه: ویژگیهای یک سلول را میتوان با بررسی ماتریس بیان ژنی مربوط به آن سلول تعیین کرد. اگر بتوان ماتریسهای بیان ژنی مربوط به سلول‌های فرزند آینده را پیشبینی کرد، در حقیقت ویژگیهای سلول‌های آینده پیشبینی شده‌اند. هدف مطالعه حاضر، طراحی یک شبکه عصبی مصنوعی برای پیشبینی ماتریسهای بیان ژنی برای سلول‌های فرزندی است که از تقسیم/تمایز سلول‌های بنیادی هماتوپویتیک در آینده به دست خواهند آمد.
روش: شبکه عصبی طراحیشده ماتریس بیان ژنی یک سلول بنیادی هماتوپویتیک والد را به عنوان ورودی می‌گیرد و ماتریسهای بیان ژنی مربوط به سلول‌های فرزند آینده آن را تولید میکند. یک کدگذار زمانی برای کدگذاری سری زمانی اصلی و یک کدگذار مکانی برای کدگذاری سری‌های زمانی ثانویه پیشنهاد میشود.
نتایج: برای آن که پیشبینی قابل پذیرشی انجام شود، باید ماتریسهای بیان ژنی مربوط به دستکم چهار مرحله اولیه از تقسیم/تمایز مشخص باشند. شبکه عصبی طراحیشده از نظر خطای پیشبینی و تعداد مراحل تقسیم/تمایز که به درستی پیشبینی شده باشند، نسبت به شبکههای عصبی موجود بهتر عمل میکند. طرح پیشنهادی این مطالعه میتواند پیشبینی را برای صدها مرحله از تقسیم/تمایز سلولی انجام دهد. خطای طرح پیشنهادی برای پیشبینی ۱، ۴، ۱۶، ۶۴ و ۱۲۸ مرحله از تقسیم/تمایز به ترتیب برابر با ۳/۰۴، ۳/۷۶، ۵/۵، ۷/۸۳، و ۱۱/۰۶ درصد بوده است.
نتیجه‌گیری: با داشتن ماتریس بیان ژنی مربوط به یک سلول هماتوپویتیک والد میتوان ماتریسهای بیان ژنی مربوط به فرزندان آن را تا صدها مرحله از تقسیم/تمایز پیشبینی کرده و در صورت لزوم، به موقع چاره‌ای برای روبه‌رو شدن با مشکلات ژنتیکی آینده اندیشید.
حسین قیومی زاده، علی فیاضی، خسرو رضایی، محمدحسین قلی زاده، مهدی اسکندری،
دوره ۸، شماره ۳ - ( ۹-۱۴۰۰ )
چکیده
مقدمه: بیماریهای قلبی و عروقی یکی از علل اصلی مرگ‌ومیر در جهان صنعتی امروز هستند. انسداد گوشک دهلیز چپ با استفاده از دستگاه‌های ساخته شده یک‌روند رو به رشد است. این مطالعه با هدف ایجاد یک سیستم تشخیصی به کمک رایانه برای شناسایی LAA در تصاویر اکوکاردیوگرافی انجام شد.
روش: دادههای به کار رفته در این مطالعه توصیفی-تحلیلی، تصاویر اکوکاردیوگرافی سه‌بعدی از قلب مربوط به ۳۲ بیمار اخذ شده در بیمارستان کینگز کالج لندن است که تمامی آنها با موفقیت با مسدودکننده درمان شدند. مجموع ۲۰۸ تصویر دوبعدی به‌دست‌آمده در صفحه محوری از هر مجموعه داده سه‌بعدی به دست آمد. سپس ۱۹۱۴ تصویر که در آنها ناحیه مربوط به LAA به‌وضوح قابل‌تشخیص بودند برای این مطالعه انتخاب شدند. شبکه عصبی پیشنهادی در این مطالعه مبتنی بر الگوریتم YOLOv۳ کامپایل شده است. در نهایت ۱۳۶۹ و ۵۴۵ تصویر به ترتیب برای آموزش و آزمایش الگوریتم مورد استفاده قرار گرفتند.
نتایج: عملکرد الگوریتم در شناسایی LAA بر روی مجموعه‌ای از ۵۴۵ تصویر با نواحی ردیابی شده در تصاویر مشابه توسط یک متخصص در اکوکاردیوگرافی با استفاده از یک تقاطع بر روی الگوریتم (IoU) مقایسه شد. الگوریتم قادر به شناسایی صحیح ناحیه LAA در تمامی ۵۴۵ تصویر بررسی شده با IoU میانگین ۹۹/۳۷% بود.
نتیجه‌گیری: الگوریتم پیشنهادی مبتنی بر تصویر، در این مطالعه دقت بالایی در تشخیص حدود LAA در تصاویر اکوکاردیوگرافی نشان داد. این روش میتواند در توسعه الگوریتم‌ها برای تجزیه‌وتحلیل خودکار ناحیه LAA جهت تعیین اندازه دستگاه و برنامه‌ریزی رویه‌ای در روش‌های انسداد LAA مورد استفاده باشد.
فاطمه مخلوقی، عاتکه گشوارپور،
دوره ۹، شماره ۱ - ( ۳-۱۴۰۱ )
چکیده
مقدمه: گسترش سریع بیماری کووید-۱۹ به یک تهدید جدی برای جهان تبدیل شده است. تاکنون میلیون‌ها نفر در سراسر جهان به این بیماری مبتلا شده‌اند. همه‌گیری کووید-۱۹ بر جنبه‌های مختلف زندگی بشر اثرات قابل توجهی داشته است. به منظور ایمنی و ایجاد تمهیدات لازم، پیشبینی نرخ شیوع ویروس در این زمان ضروری است. این امر میتواند به کنترل نرخ همه‌گیری و مرگ و میر آن کمک نماید. مطالعات پیشین، عمدتاً از ابزارهای آماری و الگوریتمهای مبتنی بر یادگیری ماشین استفاده کرده‌اند. هرچند، اولی برای تجزیه و تحلیل غیرقابل پیشبینی بیماری همه‌گیر ناکافی بودند و دومی عمدتاً مشکلات عدم برازش یا بیش‌برازش را تجربه کردند. برای فائق آمدن بر این مشکلات، مطالعه حاضر روشی مبتنی بر یادگیری عمیق بر دادگان طولانی مدت را پیشنهاد کرده است.
روش: در مطالعه تحلیلی- مقطعی حاضر یک رویکرد برای پیشبینی موارد ابتلا و فوت شده ناشی از کووید-۱۹ مبتنی بر شبکههای حافظه طولانی کوتاه‌مدت (Long Short-Term Memory) LSTM ارائه شد. مدل LSTM روی دادههای سری زمانی کشور ایران از تاریخ ۱۳۹۸/۱۱/۲ تا ۱۴۰۰/۹/۲۳ اجرا شد و معیارهای ارزیابی RMSE و MAE محاسبه شدند.
نتایج: بهترین نتایج این مطالعه برای پیشبینی دادگان فوت شده با ۲۷/۵۷ = RMSE و ۱۹/۰۱ = MAE بوده است. نتایج نشان داد که شبکه عصبی LSTM کارایی خوبی در پیش بینی موارد ابتلا و فوتی ایران داشته است.
نتیجه‌گیری: مدل پیشنهادی نشان داد که در مدل‌سازی و پیشبینی وضعیت شیوع ویروس مناسب بوده است. تخمین افراد مبتلا و فوت شده ناشی از کووید-۱۹ میتواند به کنترل وضعیت پاندمی کمک کند.
سید محمد موسوی، سوده حسینی،
دوره ۱۰، شماره ۱ - ( ۳-۱۴۰۲ )
چکیده
مقدمه: COVID-۱۹ تأثیرات مخربی بر سلامت عمومی در سراسر جهان ایجاد کرده است. از آنجایی که تشخیص زودهنگام و درمان به‌موقع بر کاهش مرگ‌و میر بر اثر ابتلاء به COVID-۱۹ تأثیرگذار است و روش‌های تشخیصی موجود ازجمله آزمایش RT-PCR مستعد خطا است، راه حل جایگزین استفاده از تکنیک‌های هوش مصنوعی و پردازش تصویر است. هدف کلی معرفی مدل هوشمند مبتنی بر یادگیری عمیق و شبکه عصبی پیچشی برای شناسایی موارد مبتلا به COVID-۱۹ و ذات‌الریه به منظور اقدامات درمانی بعدی به کمک تصاویر پزشکی ریه است.
روش: مدل پیشنهادی شامل دو مجموعه داده رادیوگرافی و CT-scan است. تصاویر مجموعه داده مورد پیش‌پردازش قرار می‌گیرند و فرآیند تقویت داده روی تصاویر اعمال میشود. در مرحله بعد از سه معماری EfficientNetB۴, InceptionV۳ و InceptionResNetV۲ با استفاده از روش یادگیری انتقالی استفاده میشود.
نتایج: بهترین نتیجه به دست آمده برای تصاویر CT-scan متعلق به معماری InceptionResNetV۲ با دقت ۹۹/۳۶۶% و برای تصاویر رادیولوژی مربوط به معماری InceptionV۳ با دقت ۹۶/۹۴۳% می‌باشد. علاوه بر آن نتایج حاکی از آن است که تصاویر CT-scan از ویژگیهای بیشتری نسبت به تصاویر رادیوگرافی برخوردار بوده و تشخیص بیماری روی این نوع داده‌ها با دقت بیشتری انجام می‌پذیرد.
نتیجه‌گیری: مدل پیشنهادی مبنتی بر شبکه عصبی پیچشی دقت بالاتری نسبت به سایر مدل‌های مشابه دارد. همچنین با اعلام نتایج آنی میتواند در ارزیابی اولیه مراجعان به مراکز درمانی به خصوص در زمان اوج همه‌گیری‌ها که مراکز درمانی با چالش‌هایی مانند کمبود نیرو متخصص و کادر درمان مواجه می‌شوند کمک نماید.
الهام عسکری، سارا معتمد، صفورا عاشوری قلعه کلی،
دوره ۱۰، شماره ۲ - ( ۶-۱۴۰۲ )
چکیده
مقدمه: تشـخیص دقیــق بیمــاری آلزایمــر در مراحل اولیه نقــش مهمــی را در مراقبــت از بیمــار دارد و می‌بایست اقدامــات پیشگیرانه را قبــل از آســیب غیــرقابــل برگشــت بــه مغــز انجـام داد. با افزایش سن تغییراتی در حافظه ایجاد میشود که طبیعی است؛ اما نشانه‌‌های بیماری آلزایمر بیش از فراموشی‌های موقتی می‌باشد. تشخیص زودهنگام و هوشمند بیماری آلزایمر در حالات مختلف میتواند کمک شایانی به بیماران و پزشکان بکند.
روش: در روش پیشنهادی برای بهبود بازشناسی افراد مبتلا به آلزایمر از افراد سالم در حالات هیجانی از شبکه عصبی کانولوشنی استفاده خواهد شد. ابتدا بر روی سیگنال الکتروانسفالوگرافی، پیش‌پردازش‌های موردنیاز انجام میشود و سپس به‌عنوان ورودی به شبکه اعمال خواهد شد. در ادامه جهت بهینه‌سازی وزن‌های شبکه عصبی کانولوشنی از الگوریتم ژنتیک استفاده میشود.
نتایج: تحقیقات انجام شده نشان میدهد که لوب پیشانی مغز با احساسات در ارتباط می‌باشد و استفاده از کانال‌های F۳ و F۴ در مقایسه با سایر کانال‌ها اطلاعات بیشتری را منعکس میکند، بنابراین با این اطلاعات عمل تشخیص افراد آلزایمری در حالات هیجانی بهتر انجام میشود.
نتیجه‌گیری: روش پیشنهادی با سایر دسته‌بندها در حالات خوشایندی و برانگیختگی مورد ارزیابی قرار گرفت و مشاهده شد که این روش در مقایسه با روش‌های دیگر با دقت ۹۲/۳ درصد در خوشایندی و ۹۴/۳ درصد در برانگیختگی در بازشناسی افراد مبتلا به آلزایمر از کارایی بهتری برخوردار است.
حانیه رضازاده تمرین، الهام صنیعی، مهدی صالحی باروق،
دوره ۱۰، شماره ۳ - ( ۹-۱۴۰۲ )
چکیده
مقدمه: سرطان پستان، شایعترین سرطان بدخیم در زنان است و بیشتر از سایر سرطان‌ها باعث مرگ و میر آنان میشود. روش ترموگرافی یکی از روش‌های تشخیص سرطان پستان است. مهم‌ترین چالش در تشخیص زود هنگام از روی این تصاویر میتواند مربوط به خطای انسانی و یا عدم دسترسی به شخص ماهر باشد. استفاده از روش‌های هوش مصنوعی در پردازش تصاویر در تشخیص زودهنگام و کاهش خطای انسانی میتواند مؤثر باشد. هدف کلی این پژوهش معرفی شبکههای ترکیبی عمیق برای تشخیص هوشمند سرطان پستان از تصاویر ترموگرافی است.
روش: تصاویر ترموگرافی مورد استفاده در این پژوهش از پایگاه داده DMR-IR جمع‌آوری شده است. ابتدا ویژگیهای اصلی تصاویر توسط شبکه پیچشی عمیق CNN استخراج گردید. سپس در ادامه از دو الگوریتم FCNNs و SVM برای کلاس‌بندی سرطان پستان از تصاویر ترموگرافی استفاده شد.
نتایج: نرخ دقت برای الگوریتمهای CNN_FC و CNN-SVM، به ترتیب ۹۴/۲%، ۹۵/۰% بود. علاوه بر این، پارامترهای قابلیت اطمینان هم برای این طبقه‌بندی‌کننده‌ها به ترتیب ۹۲/۱%، ۹۷/۵% و حساسیت برای هر یک از این طبقه‌بندی‌کننده‌ها به ترتیب ۹۵/۵%، ۹۴/۱% محاسبه شد.
نتیجه‌گیری: مدل پیشنهادی مبتنی بر شبکه ترکیبی عمیق دقت مناسبی نسبت به الگوریتمهای مشابه دارد؛ بنابراین میتواند پزشکان را در تشخیص زودهنگام سرطان پستان از طریق تصاویر ترموگرافی کمک نموده و خطای انسانی را به حداقل برساند.
مهسا تقوی زاده، مهدی نوشیار، عادل اکبری مجد، سهند شاهعلی نژاد،
دوره ۱۰، شماره ۴ - ( ۱۲-۱۴۰۲ )
چکیده
مقدمه: شناسایی و تشخیص بیماری آلزایمر موجود در بافت مغز از چالش‌های جدی شناسایی در حوزه پردازش تصاویر پزشکی است. در حال حاضر MRI، متداول‌ترین راه تشخیص آلزایمر در بین روش‌های تصویربرداری می‌باشد. عدم شناسایی صحیح بافت درگیر میتواند منجر به تشخیص نادرست به عنوان بافت سالم مغزی شود. الگوریتم یادگیری عمیق به عنوان فرآیند تشخیص ویژگیهای مرتبط، اطلاعات مفید را استخراج میکند؛ لذا این پژوهش سعی دارد با استفاده از شبکه عصبی کانولوشنال در پردازش تصاویر پزشکی با دقت بهتری، نسبت به کارهای گذشته در تشخیص، انجام دهد.
روش: با استفاده از شبکه عصبی کانولوشنی طراحی شده استخراج ویژگیهای تصاویر T۱MRI صورت گرفته است. تصاویر آلزایمر با استفاده از نرم افزار Matlab۲۰۲۳a تحلیل شده‌اند و خروجی‌های مد نظر حاصل شده‌اند.
نتایج: تصاویر آلزایمر مغزی T۱ پس از پیش پردازش و ورود به شبکه عصبی عمیق طراحی شده، مورد بررسی قرار گرفته‌اند که در خروجی حاصل از الگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی الگوریتم با بهبود ابر پارامترها در مقایسه با سایر روش‌های معمول بالاتر بود که دقت ۹۶% و حساسیت ۱۰۰% در شناسایی ارائه کرده است.
نتیجه‌گیری: هدف از الگوی یادگیری عمیق این است که دادههای تصویری با ابعاد بزرگ و تعداد زیاد به شکل قابل فهم برای ماشین‌ها درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار گیرد.
مه لقا افراسیابی، احمد موحدی،
دوره ۱۱، شماره ۱ - ( ۳-۱۴۰۳ )
چکیده
مقدمه: بیماری آلزایمر یک بیماری برگشت‌ناپذیر عصبی است که با اختلالات فکری، رفتاری و حافظه مشخص میشود. پیشبینی اولیه آن یک امر چالش برانگیز است. هدف از این مطالعه تعیین عوامل مرتبط مبتلا به بیماری آلزایمر است.
روش کار: این مطالعه با استفاده از دادههای جمع‌آوری شده از پروژه OASIS که توسط مرکز تحقیقات دانشگاه واشنگتن در دسترس قرار گرفته، چارچوبی برای پیشبینی آلزایمر پیشنهاد میکند. در این مطالعه از شبکه عصبی عمیق برای پیشبینی استفاده میشود. برای انتخاب ویژگیهای مناسب، الگوریتم بهینهساز ازدحام ذرات به کار رفته است. ترکیب این دو روش باعث افزایش دقت روش پیشبینی شده است. این روش با الگوریتمهای مختلف یادگیری ماشین که دقت خوبی در پیشبینی بیماری آلزایمر داشتهاند، مقایسه شده است.
یافته ها: نتایج نشان میدهد دقت روش پیشنهادی با ویژگی کمتر، بالاتر است. از بین ۱۱ ویژگی در این مجموعه داده، شش ویژگی سن، وضعیت اقتصادی-اجتماعی، نمره ارزیابی صحت آزمون کوتاه وضعیت ذهنی، رتبهبندی سطح کارکرد حافظه، حجم برآورد شده داخل جمجمه و حجم نرمال شده کل مغز تأثیر زیادی در پیشبینی بیماری را دارد که در بین این شش ویژگی، رتبهبندی سطح کارکرد حافظه اهمیت بیشتری دارد.
نتیجه‌گیری: مطالعه حاضر به بررسی عوامل مؤثر و پیشبینی بیماری آلزایمر پرداخته است. تشخیص زودهنگام بیماری آلزایمر، باعث ارائه خدمات تشخیصی و درمانی مناسب و همچنین بهبود کیفیت زندگی بیماران میشود. روش ارائه شده در این مطالعه با الگوریتمهای مختلف یادگیری ماشین که دقت خوبی در پیشبینی بیماری آلزایمر داشتهاند، مقایسه شده است. نتایج نشان میدهد دقت روش پیشنهادی با ویژگی کمتر، بالاتر است.
عبدالحسین شکیبایی نیا، محسن چگین، امین گلاب پور، احمد خسروی،
دوره ۱۱، شماره ۳ - ( ۹-۱۴۰۳ )
چکیده
مقدمه: انتخاب مدل مناسب برای تشخیص سرطان سینه اهمیت زیادی دارد، زیرا مدل‌های نامناسب ممکن است دقت تشخیص را کاهش دهند و منجر به نتایج نادرست شوند. این خطاها می‌توانند به تصمیم‌گیری‌های نادرست بالینی منجر شوند. در این راستا، آینده‌پژوهی میتواند ابزار مؤثری برای شناسایی و انتخاب مدل‌های مناسب تشخیصی باشد.
روش کار: این مطالعه با استخراج مقالات مرتبط با تشخیص سرطان سینه مبتنی بر هوش مصنوعی آغاز شد. تعداد مقالات مربوط به هر الگوریتم مشخص و الگوریتم‌هایی با کمتر از ۵۰ مقاله حذف شدند. سپس روند سالانه انتشار مقالات تحلیل شد. یک مدل سری زمانی مبتنی بر شبکه عصبی مصنوعی برای پیشبینی روند تحقیقات در دو سال آینده طراحی شد که الگوریتمهای با بیشترین تمرکز پژوهشی را شناسایی میکند.
یافته‌ها: پس از حذف مقالات زیر حد آستانه، ۲۳۰۸ مقاله در هشت دسته شامل یادگیری عمیق، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منطق فازی، خوشه‌بندی، درخت تصمیم، بیزین و رگرسیون لجستیک قرار گرفتند. هشت مدل سری زمانی با استفاده از دادههای هفت سال گذشته، پیشبینی کردند که یادگیری عمیق و شبکه عصبی مصنوعی بیشترین تمرکز پژوهشی آینده را به خود اختصاص خواهند داد.
نتیجه‌گیری: این پژوهش نشان داد که آینده‌پژوهی رویکردی مؤثر برای انتخاب روش‌های تشخیص سرطان سینه است. نتایج نشان میدهد که الگوریتمهای شبکه عصبی مصنوعی و یادگیری عمیق بهترین عملکرد را دارند و می‌توانند راهنمایی برای پژوهش‌های آینده باشند.
