Journal of Health and Biomedical Informatics

fa پیش بینی بیماری آلزایمر با استفاده از شبکه عصبی عمیق و الگوریتم بهینه‌سازی ازدحام ذرات Alzheimer's Prediction Using Deep Neural Network and Particle Swarm Optimization داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;">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 11 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.</div> <div style="text-align: justify;">Introduction: Alzheimer's disease is an irreversible neurological condition characterized by cognitive, behavioral, and memory impairments. Early prediction before the transition from mild cognitive impairment to Alzheimer's disease is still a challenging issue. This study aimed to identify factors associated with Alzheimer's disease. Method: This study proposes a framework for predicting Alzheimer's disease using data collected from the OASIS project, made available by the Washington University Research Center. In this study, a deep neural network was used for prediction. A particle swarm optimization (PSO) algorithm was employed for selecting appropriate features. The combination of these two methods increases the accuracy of the proposed prediction method. Results: The results indicate that the proposed method achieves higher accuracy with fewer features. Among the 11 features in this dataset, six features (age, socioeconomic status, Mini-mental state examination score, clinical dementia rating scale, estimated total intracranial volume, and normalized whole-brain volume) have a significant impact on predicting the disease. Among these six features, the clinical dementia rating scale is of great importance. Conclusion: This study investigated the influential factors and prediction of Alzheimer's disease. Early diagnosis of Alzheimer's disease allows for the provision of appropriate diagnostic and therapeutic services, as well as an improvement in patients' quality of life. The proposed method in this study is compared with various machine learning algorithms that have shown good accuracy in predicting Alzheimer's disease. The results indicate that the accuracy of the proposed method is higher with fewer features.</div> بیماری آلزایمر, شبکه عصبی عمیق, یادگیری عمیق, الگوریتم بهینه‌سازی ازدحام ذرات Alzheimer's disease, deep neural network, machine learning, particle swarm optimization 60 71 http://jhbmi.ir/browse.php?a_code=A-10-1082-1&slc_lang=fa&sid=1 Mahlagha Afrasiabi مه لقا افراسیابی m.afrasiabi001@gmail.com 10031947532846009549 10031947532846009549 Yes Assistant Professor, PhD in Computer Engineering, Department of Computer Engineering, Hamedan University of Technology, Hamedan, Iran استادیار، گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران Ahmad Movahedi احمد موحدی a.movahedi18@gmail.com 10031947532846009550 0009-0007-9783-6822 No M.Sc. Student in Computer Engineering, Department of Computer Engineering, Hamedan University of Technology, Hamedan, Iran دانشجوی ارشد مهندسی کامپیوتر، گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران