fa jalali 1403 3 1 gregorian 2024 6 1 11 1 online 1 fulltext

fa به‌کار‌گیری روش‌های یادگیری ماشین جهت پیش‌بینی میزان زنده ماندن بیماران گلیوبلاستوما با استفاده از تصاویر تشدید مغناطیسی مقدمه:  در این مطالعه روشی جهت پیش‌‌بینی خودکار میزان طول عمر بیماران مبتلا به تومور مغزی گلیوبلاستوما مبتنی بر روش‌های یادگیری ماشین و تصاویر MRI ارائه شده است. روش کار: مجموعه داده مورد استفاده در این مطالعه، پایگاه داده BraTS 2017 با 163 نمونه است. هر نمونه از تصاویر پایگاه داده دارای چهار مدالیته مختلف تصویرگیری و همچنین اطلاعاتی نظیر میزان طول عمر کلی بیمار بر حسب روز و سن بیمار است. تصاویر مجموعه داده بر اساس طول عمر بیمار پس از درمان به سه دسته: کوتاه‌مدت، میان‌مدت و بلند‌مدت برچسب‌گذاری شده است. برای بهبود نتایج پیش‌بینی، انواع مختلفی از ویژگی‌ها استخراج و توسط روش‌های مختلف یادگیری ماشین، آموزش داده شدند. ویژگی‌های در نظر گرفته شده شامل ویژگی‌های بافت، حجمی، آماری و ویژگی‌های عمیق است. روش‌های یادگیری ماشین مورد استفاده شامل ماشین بردار پشتیبان، نزدیک‌ترین همسایه، آنالیز افتراق خطی و درخت تصمیم است. یافته‌ها: بهترین صحت پیش‌بینی براساس طبقه‌‌بندی با استفاده از ویژگی‌های عمیق استخراج ‌شده توسط یک شبکه عصبی کانولوشنال از پیش آموزش ‌دیده و توسط روش آنالیز افتراق خطی به دست آمده است. نتیجه‌گیری: روش‌های یادگیری عمیق قابلیت بالایی در تخمین پارامترهای مهم پزشکی مانند میزان زنده ماندن افراد مبتلا به سرطان دارند. Introduction: In this study, a method for automatic prediction of the survival rate of patients with glioblastoma tumor based on machine learning methods and MRI images is presented. Method: The data set used in this study is the BraTS 2017 database with 163 samples. Each sample of database images has four different imaging modalities as well as information such as the patient's overall life expectancy according to the patient's day and age. Database images are labeled into three categories, short-term, medium-term, and long-term, based on patient longevity after treatment. To improve the prediction results, different types of features were extracted and taught by different machine learning methods. The considered features include texture, volumetric, statistical, and deep features. The machine learning methods used include support vector machine, nearest neighbors, linear discriminant analysis, and decision tree. Results: The best prediction accuracy based on the classification was obtained using deep features extracted by a pre-trained convolutional neural network (CNN) and by linear discriminant analysis. Conclusion: Deep learning approaches showed a good performance in the prediction of medical parameters such as survival rate time. Survival Time, Deep Learning, Glioblastoma, Classification, MRI مدت زمان زنده ماندن, یادگیری عمیق, گلیوبلاستوما, طبقه‌بندی, تصویربرداری تشدید مغناطیسی 1 13 http://jhbmi.ir/browse.php?a_code=A-10-903-2&slc_lang=fa&sid=1 2023/12/1 1402/9/10 2024/04/9 1403/1/21 Mohammadreza Hedyehzadeh Assistant Professor, PhD. in Biomedical Engineering, Department of Biomedical Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran محمدرضا هدیه زاده mrhedyehzadeh@iaud.ac.ir 0031947532846009539 0031947532846009539 Yes دکترای مهندسی پزشکی، استادیار گروه مهندسی پزشکی، گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران Mahdi Yousefi PhD. Student in Biomedical Engineering, Young Researchers and Elite Club, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran مهدی یوسفی mahdiyousefi@sel.iaun.ac.ir 0031947532846009540 0031947532846009540 No دانشجوی دکترای مهندسی پزشکی، باشگاه پژوهشگران جوان و نخبگان، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

fa تحلیل فضا-زمانی بیماری آسم در کلانشهر تهران با استفاده از سامانه اطلاعات جغرافیایی (GIS) مقدمه:  شهر تهران به‌عنوان یکی از شهرهای آلوده جهان، با مشکلات بهداشتی و سلامتی فراوانی از جمله بیماری‌های تنفسی و آسم مواجه هست. شناسایی مناطق با ریسک بالای ابتلا به یک بیماری خاص در دوره‌های زمانی مختلف، اهمیت فراوانی در کنترل بیماری‌ها و مدیریت سلامت در جامعه دارد. روش کار: این پژوهش کاربردی و توصیفی–تحلیلی با استفاده از آمار فضایی و سامانه اطلاعات جغرافیایی (GIS)، به تحلیل فضا-زمانی بیماری آسم در کلانشهر تهران پرداخته است. جامعه آماری تحقیق، تعداد مبتلایان به بیماری آسم (1473 نفر) و در 355 محله در محدوده قانونی شهر تهران و در بازه زمانی بین سال‌های 1397 الی1400 می‌باشد. برای شناسایی و درک الگوی مکانی بیماری آسم، در تحلیل الگوی توزیع فضایی از تکنیک‌های میانگین مرکزی و منحنی انحراف استاندارد، شاخص نزدیک‌ترین همسایگی، تحلیل لکه‌های داغ، شاخص موران جهانی و محلی و تحلیل تراکم کرنل در سیستم اطلاعات جغرافیایی استفاده شده است. یافته‌ها: یافته‌های پژوهش نشان می‌دهند که شاخص نزدیک‌ترین همسایگی در تحلیل الگوی فضایی به‌صورت یکنواخت بوده و با مدل تخمین کرنل، بیشترین توزیع بیماری آسم در سال 1397، در محلات جنوب غربی تهران، در سال 1398، در مرکز، جنوب شرقی و جنوب غربی و در سال 1399، در جنوب شرقی بوده و در نهایت در سال 1400، بیشترین محلات درگیر بیماری آسم، محلات جنوب شرقی و جنوب تهران می‌باشد. نتیجه‌گیری: با تحلیل نتایج، شناخت جامعی از کانون‌های بیماری آسم و الگوهای فضایی و پراکنش جغرافیایی سلامت، در سطح محلات شهر تهران، حاصل شده است که می‌تواند در اقدامات پیشگیرانه مورد توجه قرار گیرد.   Introduction: Tehran, one of the world's most polluted cities, faces numerous health challenges, including respiratory diseases. Identifying high-risk areas for specific diseases at different periods is crucial for effective health management within the community. Method: This applied and descriptive-analytical study employed spatial statistics and GIS to conduct a spatio-temporal analysis of asthma in the Tehran metropolis. The statistical population comprised 1,473 individuals suffering from asthma across 355 neighborhoods within Tehran's legal boundaries between 2017 and 2020. To identify and understand the spatial patterns of asthma, techniques such as central mean and standard deviation ellipse, nearest neighbor index, hot spot analysis, global and local Moran's index, and kernel density estimation were utilized to analyze the spatial distribution patterns within the GIS environment. Results: The findings revealed a uniform nearest neighbor index in the spatial pattern analysis. The kernel density estimation model showed that in 2017, the highest asthma distribution was observed in the southwestern neighborhoods of Tehran. In 2018, the concentration shifted to the center, southeast, and southwest regions. In 2019, the southeastern areas were most affected, while in 2020, the southeastern and southern parts of Tehran exhibited the highest asthma prevalence. Conclusion: A comprehensive understanding of asthma hotspots, spatial patterns, and geographical distribution of health has been achieved at the neighborhood level in Tehran, which can be considered in preventive measures. Spatio-temporal analysis, asthma, geographic information system (GIS), Tehran city تحلیل فضایی-زمانی, بیماری آسم, سامانه اطلاعات جغرافیایی (GIS), شهر تهران 14 25 http://jhbmi.ir/browse.php?a_code=A-10-1061-1&slc_lang=fa&sid=1 2023/12/12023/12/14 1402/9/23 2024/04/92024/05/13 1403/2/24 Alireza Mohammadi Professor of Geography and Urban Planning, Department of Geography, Faculty of Social Science, University of Mohaghegh Ardabili, Ardabil, Iran علیرضا محمدی Alirezamohammadi20142014@gmail.com 0031947532846009919 0031947532846009919 Yes استاد جغرافیا و برنامه‌ریزی شهری، گروه جغرافیا و برنامه‌ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران Parya Nasiri PhD. Student of Geography and Urban Planning, Department of Geography, Faculty of Social Science, University of Mohaghegh Ardabili, Ardabil, Iran پریا نصیری m.nasiri3020@gmail.com 0031947532846009920 0009-0002-2099-5327 No دانشجوی دکتری جغرافیا و برنامه‌ریزی شهری، ، گروه جغرافیا و برنامه‌ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران Roya Moghabeli M.A Student of Geography and Urban Planning, Department of Geography, Faculty of Social Science, University of Mohaghegh Ardabili, Ardabil, Iran رویا مقابلی roya.moghabeli@gmail.com 0031947532846009921 0031947532846009921 No دانشجوی کارشناسی ارشد جغرافیا و برنامه‌ریزی شهری، گروه جغرافیا و برنامه‌ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

fa تشخیص بیماری قلبی با استفاده از شبکه های عصبی پیچشی و الگوریتم بهینه‎ سازی ذرات مقدمه: قلب انسان از لحاظ فیزیولوژیکی یک شاخص زنده محسوب می‌گردد و امکان ثبت سیگنال‌ها به صورت مداوم با استفاده از دستگاه الکتروکاردیوگرام وجود دارد. بیماری‌های قلبی- عروقی یکی از مهم‌ترین علت‌های مرگ‎ومیر  در کل دنیا محسوب می‌شوند. مبتلا شدن به بیماری‌های قلبی-عروقی می‌تواند قابل اجتناب باشد، البته درصورتی که بتوان سریع و دقیق این بیماری را پیش‌بینی یا شناسایی کرد و در جهت جلوگیری اقدام نمود. روش کار: در این مطالعه با هدف تشخیص الگوهای موجود در ویژگی‌های استخراج شده از بیماران آریتمی قلبی، گروهی از نارسایی‌های قلبی پیش‌بینی خواهد شد و نمونه‌های بیمار را از حالت عادی تشخیص می‌دهد. در مدل پیشنهادی ابتدا روی مجموعه دادگان، در مرحله پیش‎پردازش، عملیات گسسته‌سازی و جایگزینی مقادیر از دست رفته به روش میانگین‎گیری ستونی انجام می‌شود، سپس به منظور کاهش ویژگی‎ها، پیچیدگی و افزایش سرعت و دقت، عملیات انتخاب ویژگی، روی داده‎های نرمال شده صورت گرفته و به طبقه‌بند‎های درخت تصمیم، k نزدیک‌ترین همسایه، بیز ساده و CNN ارسال می‎شود. یافته‌ها: در مقایسه‌ای که از دقت‌ به‌دست آمده از الگوریتم‌های مختلف قبل و بعد از اعمال روش پیشنهادی انجام شده است مشاهده می‌شود که کلیه روش‌ها پس از اعمال روش پیشنهادی، با دقت بهتری عمل می‌کنند همچنین CNN عملکرد بهتری از خود نشان داده است. نتیجه‌گیری: نتایج نشان داد که دقت مدل پیشنهادی با نرخ تشخیص 34/92 درصد بهتر از سایر روش‌ها عمل می‌نماید. Introduction: The human heart is a physiologically vital organ whose signals can be continuously recorded using an electrocardiogram (ECG) device. Cardiovascular diseases are one of the leading causes of mortality worldwide. Timely and accurate identification of this condition, along with preventive measures, can help reduce the incidence of cardiovascular diseases. Method: This article aimed to predict a group of heart failures based on the patterns found in extracted features from patients with cardiac arrhythmias, distinguishing them from samples in a normal state. The proposed model involves preprocessing operations, such as discretization and replacement of missing values using column-wise averaging, on the dataset. Subsequently, feature selection operations were performed on normalized data to reduce complexity and improve speed and accuracy. The data is then fed into decision tree classifiers, k-nearest neighbors, naive Bayes, and convolutional neural networks. Results: A comparison of the accuracy obtained from different algorithms before and after applying the proposed method reveals improved performance across all methods after implementation. Particularly, the convolutional neural network demonstrates superior performance. Conclusion: Based on the results, it can be concluded that the proposed model achieves an accuracy of 92.34%, surpassing other methods. Cardiac Arrhythmia, Convolutional Neural Network, Particle Swarm Optimization, Multiclass Classification آریتمی قلب, شبکه‎ ها‌ی عصبی پیچشی, بهینه‌سازی ازدحام ذرات, طبقه‌بندی چند کلاسه 26 42 http://jhbmi.ir/browse.php?a_code=A-10-990-4&slc_lang=fa&sid=1 2023/12/12023/12/142024/01/9 1402/10/19 2024/04/92024/05/132024/05/29 1403/3/9 Sara Motamed Assistant Professor, Department of Computer Engineering, Fouman and Shaft Branch, Islamic Azad University, Fouman, Iran سارا معتمد motamed.sarah@gmail.com 0031947532846009544 1192-1591-0003-0000 No استادیار، دکترای مهندسی کامپیوتر، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران Elham Askari Assistant Professor, Department of Computer Engineering, Fouman and Shaft Branch, Islamic Azad University, Fouman, Iran الهام عسکری askary.elham@gmail.com 0031947532846009545 0031947532846009545 Yes استادیار، دکترای مهندسی کامپیوتر، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران

fa تشخیص خودکار آمفیزم ریوی با استفاده از شبکه عصبی عمیق مبتنی بر Unet بهینه‌سازی شده مقدمه: یکی از بیماری‌های ریوی که معمولاً تا سنین بالا ناشناخته می‌ماند و درمان قطعی ندارد، آمفیزم ریوی است که تشخیص سریع این بیماری به افراد درگیر در این بیماری کمک زیادی می‌کند و از رشد توده‌های آمفیزم جلوگیری می‌کند. این تحقیق سعی در تشخیص زودهنگام این بیماری به کمک روش‌های یادگیری عمیق دارد. روش کار: این تحقیق با کمک شبکه عصبی Unet بهینه‌سازی شده با الگوریتم فراابتکاری GPC‌، سعی در تشخیص سریع‌تر این بیماری دارد. داده‌های این پژوهش از بیمارستان‌های امام علی و بوعلی سینا شهرستان زاهدان استان سیستان و بلوچستان جمع‌آوری شده است. داده‌ها شامل 300 قطعه با آمفیزم شامل  65 مورد CLE ، 97 مورد PSE  و 138 مورد PLE  و 45 مورد داده نرمال است. این  داده‌ها توسط شبکه عصبی عمیق Unet و با الگوریتم بهینه‌سازی GPC مورد بررسی قرار گرفتند و در نهایت به کمک معیارهای accuracy،recall، Specificity و F-measure با سایر روش‌های انجام شده مورد مقایسه و بررسی قرار گرفتند. یافته‌ها: در این پژوهش معیارهای به کاررفته به ترتیب با دقت 18/97، پیش‌بینی40/98، حساسیت 23/48 و امتیاز f 97/50‌، نتایج بسیار بهتری در مقایسه با سایر روش‌های تشخیص آمفیزم به کمک شبکه Unet بهینه شده داشته است که  نشان از تشخیص سریع‌تر و دقیق‌تر و اثر بخش‌تر این بیماری به کمک روش پیشنهادی دارد. نتیجه‌گیری: استفاده از روش‌های درست یادگیری عمیق در ترکیب با الگوریتم‌های بهینه‌سازی قوی می‌تواند درمان سریع تر و دقیق تر بیماری‌ها را امکان پذیر سازد. Introduction: Pulmonary emphysema is one of the lung diseases that usually remains unknown until old age and does not have a definitive treatment. A quick diagnosis of this disease helps a lot to the people involved in this disease and prevents the growth of emphysema masses. This research tries to in early diagnosis of this disease with the help of deep learning methods. Method: This research tries to diagnose this disease faster with the help of Unet neural network optimized with GPC meta-heuristic algorithm. The data of this research were collected from Imam Ali and Bu Ali Sina hospitals, Zahedan city, Sistan and Baluchistan province. The data include 300 pieces with emphysema, including 65 cases of CLE, 97 cases of PSE, 138 cases of PLE, and 45 cases of normal data. These data were analyzed by Unet deep neural network and GPC optimization algorithm, and finally, with the help of accuracy criteria, recall, specificity, and F-measure were compared and investigated with other methods. Results: In this research, the criteria used have much better results compared to other emphysema diagnosis methods with the help of the optimized Unet network, with accuracy of 18.97, prediction of 40.98, sensitivity of 48.23, and f score of 97.50, respectively, which shows a faster, more accurate, and more effective diagnosis of this disease with the help of the proposed method. Conclusion: Using the right deep learning methods in combination with strong optimization algorithms can enable faster and more accurate treatment of diseases. Artificial intelligence, Neural networks, Pulmonary emphysema, Image processing, Deep Learning هوش مصنوعی, شبکه‌های عصبی, آمفیزم ریوی, پردازش تصویر, یادگیری عمیق 43 59 http://jhbmi.ir/browse.php?a_code=A-10-1074-1&slc_lang=fa&sid=1 2023/12/12023/12/142024/01/92024/01/17 1402/10/27 2024/04/92024/05/132024/05/292024/05/29 1403/3/9 Safura Oviesi Ph.D. Student, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Department of Information Technology Engineering, Tehran, Iran صفورا اویسی s.oviesi@email.kntu.ac.ir 0031947532846009922 0031947532846009922 Yes دانشجوی دکتری مهندسی فناوری اطلاعات، دانشکده صنایع،گروه مهندسی فناوری اطلاعات،دانشگاه خواجه نصیرالدین طوسی، تهران، ایران Mohammad Jafar Tarokh Professor, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Department of Information Technology Engineering, Tehran, Iran محمدجعفر تارخ mjtarokh@kntu.ac.ir 0031947532846009923 0031947532846009923 No استاد، دانشکده صنایع،گروه مهندسی فناوری اطلاعات، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران Mohammad Kazem Momeni Associate Professor, Faculty of Medicine, Zahedan University of Medical Sciences, Zahedan, Iran محمد کاظم مومنی drkazemmomeni@gmail.com 0031947532846009924 0031947532846009924 No دانشیار، دانشکده پزشکی، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران

fa پیش بینی بیماری آلزایمر با استفاده از شبکه عصبی عمیق و الگوریتم بهینه‌سازی ازدحام ذرات 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. 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. Alzheimer's disease, deep neural network, machine learning, particle swarm optimization بیماری آلزایمر, شبکه عصبی عمیق, یادگیری عمیق, الگوریتم بهینه‌سازی ازدحام ذرات 60 71 http://jhbmi.ir/browse.php?a_code=A-10-1082-1&slc_lang=fa&sid=1 2023/12/12023/12/142024/01/92024/01/172024/02/20 1402/12/1 2024/04/92024/05/132024/05/292024/05/292024/05/29 1403/3/9 Mahlagha Afrasiabi Assistant Professor, PhD in Computer Engineering, Department of Computer Engineering, Hamedan University of Technology, Hamedan, Iran مه لقا افراسیابی m.afrasiabi001@gmail.com 0031947532846009549 0031947532846009549 Yes استادیار، گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران Ahmad Movahedi M.Sc. Student in Computer Engineering, Department of Computer Engineering, Hamedan University of Technology, Hamedan, Iran احمد موحدی a.movahedi18@gmail.com 0031947532846009550 0009-0007-9783-6822 No دانشجوی ارشد مهندسی کامپیوتر، گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران

fa ارائه یک روش خودرمزگذار چند مقیاسی جهت بهبود خوشه بندی و تحلیل داده های سلول-منفرد مقدمه:  تحلیل داده‌های سلول-منفرد نقش بسزایی در فهم پیچیدگی‌های عملکرد سلول‌ها ایفا می‌کند. تحلیل این داده‌ها با چالش‌هایی مانند کاهش ابعاد ناکارآمد و خوشه‌بندی نامطلوب مواجه هستند. هدف این مقاله ارائه روشی است که ضمن افزایش کیفیت بازسازی و کاهش ابعاد داده­ها، خوشه­بندی داده­های سلول-منفرد را بهبود ­بخشد. روش کار: در این مطالعه یک روش جدید به نام (Single-cell Analysis using Multi-Scale autoencoder) SAMS  ارائه می­شود که از یک مدل خود رمزگذار چندمقیاسی برای بهبود چالش‌های موجود در تحلیل داده‌های سلول-منفرد بهره می‌برد. روش پیشنهادی SAMS شامل سه مرحله اصلی است: (1) پیش‌پردازش و نرمال‌سازی داده­ها، (2) استفاده از مدل شبکه عصبی عمیق برای بازسازی و کاهش ابعاد داده‌ها به کمک خودرمزگذار چندمقیاسی و (3) خوشه‌بندی داده‌های کاهش‌یافته با استفاده از الگوریتم K-means برای ارزیابی عملکرد روش پیشنهادی. یافته‌ها: روش پیشنهادی SAMS با استفاده از زبان پایتون پیاده­سازی شده و نتایج به ‌دست آمده بر روی مجموعه داده­های سلول-منفرد  نشان می‌دهد که SAMS می­تواند سلول­ها را با کیفیت بالایی در یک فضای دو بُعدی با میانگین نرخ 89%  NNE= نمایش دهد که نشان­دهنده حفظ مناسب ساختار داده­ها است. همچنین، شاخص­های سیلوئت و دیویس-بولدین در ارزیابی دقت خوشه‌بندی، نشان می­دهد که روش پیشنهادی به ترتیب با میانگین 66/0 و 50/0 توانسته بهبود خوبی را در خوشه­بندی سلول­ها ایجاد کند. نتیجه‌گیری: روش پیشنهادی SAMS با ترکیب مدل خودرمزگذار چندمقیاسی و الگوریتم  K-meansتوانسته نتایج بهتری نسبت به روش‌های پیشین به دست آورد. به‌کارگیری SAMS در تحلیل داده‌های سلول-منفرد می‌تواند به پژوهشگران در درک بهتر عملکرد سلول‌ها و کشف الگوهای جدید کمک کند. Introduction: In bioinformatics, analyzing single-cell data is crucial for understanding cellular functions' complexities. However, this analysis faces challenges like inefficient dimensionality reduction and suboptimal clustering. This study aimed to present a method that enhances the clustering of single-cell data, improves reconstruction quality, and reduces data dimensions. Method: This paper introduces SAMS (Single-cell Analysis using Multi-Scale Autoencoder), which uses a multi-scale autoencoder model to improve the challenges in single-cell data analysis. The SAMS method involves three primary steps: (1) data preprocessing and normalization, (2) employing a deep neural network model to reconstruct and reduce data dimensions with the help of a multiscale autoencoder, and (3) clustering the reduced data using the K-means algorithm to assess the method's performance. Results: The SAMS method was implemented using Python on single-cell datasets. The results demonstrate that SAMS can effectively visualize cells in a two-dimensional space with an average Nearest Neighbor Error (NNE) rate of 89%, indicating a strong preservation of data structure. Additionally, the Silhouette index and Davis-Bouldin index, which measure clustering accuracy, show significant improvement with averages of 0.66 and 0.50, respectively. Conclusion: The proposed SAMS method by combining the multiscale self-encoder model and the K-means algorithm could obtain better results than the previous methods. Its application in single-cell data analysis can aid researchers in gaining deeper insights into cellular functions and discovering new patterns. Single-cell analysis, Dimensionality reduction, Clustering analysis تحلیل سلول-منفرد, کاهش ابعاد, تحلیل خوشه بندی 72 82 http://jhbmi.ir/browse.php?a_code=A-10-581-2&slc_lang=fa&sid=1 2023/12/12023/12/142024/01/92024/01/172024/02/202024/05/31 1403/3/11 2024/04/92024/05/132024/05/292024/05/292024/05/292024/07/9 1403/4/19 Amin Einipour Department of Computer Engineering, Andimeshk Branch, Islamic Azad University, Andimeshk, Iran امین عینی پور a.einipour@gmail.com 0031947532846009551 0031947532846009551 Yes استادیار گروه مهندسی کامپیوتر، واحد اندیمشک، دانشگاه آزاد اسلامی، اندیمشک، ایران

fa پیش‌بینی مرگ‌ومیر ۳۰ روزه در بیماران نارسایی قلبی با شوک کاردیوژنیک با استفاده از تنظیم هایپرپارامتر‌های جنگل تصادفی مقدمه:  نارسایی قلبی یک سندرم کلینیکی است که به دنبال ناهنجاری ساختاری یا عملکردی قلب ایجاد شده و باعث کاهش خون پمپاژ شده یا افزایش فشار داخل قلبی می‌شود. نارسایی قلبی با شوک کاردیوژنیک یک وضعیت اورژانسی با نرخ مرگ‌ومیر بالا است که نیازمند تشخیص و درمان فوری است. پیش‌بینی دقیق مرگ‌ومیر 30 روزه در این بیماران برای ارائه مراقبت‌های به‌موقع و نجات جان بیماران حیاتی است. این مطالعه به بهینه‌سازی الگوریتم جنگل تصادفی با تنظیم هایپرپارامترها برای پیش‌بینی دقیق‌تر مرگ‌ومیر 30 روزه بیماران نارسایی قلبی با شوک کاردیوژنیک می‌پردازد. روش کار: این تحقیق از داده‌های 201 بیمار قلبی بالای 18 سال که در بیمارستان روحانی بابل در سال 1399 دچار شوک کاردیوژنیک شده‌اند، استفاده می‌کند. 34 ویژگی مانند سن، سابقه جراحی قلب باز، pH، لاکتات، دیابت و غیره مورد بررسی قرار گرفت و مرگ یک‌ماهه آن‌ها از طریق تماس تلفنی پیگیری شد. یافته‌ها: نتایج نشان داد با افزایش سن (بیش از 57 سال)، کاهش pH (کمتر از 3/7) و افزایش لاکتات (بیش از 2)، خطر مرگ 30 روزه افزایش می‌یابد. با تنظیم بهینه هایپرپارامترهای الگوریتم جنگل تصادفی (1000 ntree= و mtry=  14)، دقت پیش‌بینی از 66/0% به 8/71% ارتقاء یافت. نتیجه‌گیری: این مطالعه نشان می‌دهد که دقت الگوریتم جنگل تصادفی وابسته به هایپرپارامترها است و با بهینه‌کردن این پارامترها می‌توان پیش‌بینی دقیق‌تری از مرگ‌ومیر بیماران نارسایی قلبی با شوک کاردیوژنیک داشت. این الگوریتم با بهینه‌سازی مناسب، می‌تواند ابزاری کارآمد برای تشخیص زودهنگام بیماران در معرض خطر و ارائه خدمات درمانی به‌موقع باشد. Introduction: Heart failure is a clinical syndrome resulting from structural or functional abnormalities of the heart, leading to reduced cardiac output or increased intracardiac pressure. When combined with cardiogenic shock, it becomes an emergency condition with a high mortality rate, necessitating immediate diagnosis and treatment. Accurate prediction of 30-day mortality in these patients is vital for timely care and patient survival. This study aimed to optimize the Random Forest algorithm by adjusting hyperparameters to more accurately predict 30-day mortality in heart failure patients with cardiogenic shock. Method: In this research, data from 201 cardiac patients aged over 18 years who experienced cardiogenic shock at Rouhani Hospital in Babol in 2020, were used. Thirty-four selected features such as age, history of cardiac surgery, pH, lactate levels, diabetes, etc., were examined, and their one-month mortality was tracked through telephone follow-ups. Results: The results showed that increasing age (above 57 years), decreasing pH (below 7.3), and elevating lactate levels (above 2) significantly increased the risk of 30-day mortality. By optimizing the hyperparameters of the Random Forest algorithm (ntree=1000 and mtry=14), prediction accuracy improved from 66.0% to 71.8%. Conclusion: This study demonstrates that the accuracy of the Random Forest algorithm depends on its input hyperparameters and that optimizing these parameters can lead to a more precise prediction of mortality in heart failure patients with cardiogenic shock. With appropriate optimization, this algorithm can serve as an effective tool for the early detection of high-risk patients and timely provision. Heart Failure, Cardiogenic Shock, Random Forest, Hyperparameter Tuning, Mortality prediction نارسایی قلبی, شوک کاردیوژنیک, جنگل تصادفی, تنظیم هایپرپارامتر, پیش‌بینی مرگ‌ومیر 83 95 http://jhbmi.ir/browse.php?a_code=A-10-1103-1&slc_lang=fa&sid=1 2023/12/12023/12/142024/01/92024/01/172024/02/202024/05/312024/06/3 1403/3/14 2024/04/92024/05/132024/05/292024/05/292024/05/292024/07/92024/07/9 1403/4/19 Shiva Kanani Ph.D. Student in Industrial Engineering, Mazandaran University of Science and Technology, Babol, Iran شیوا کنعانی shiva.kanani400@gmail.com 0031947532846009925 0009-0002-4360-9062 Yes دانشجوی دکتری مهندسی صنایع، دانشگاه علوم و فنون بابل، بابل، ایران Iraj Mahdavi Professor, Department of Industrial Engineering, University of Science and Technology of Babol, Babol, Iran ایرج مهدوی irajarash@rediffmail.com 0031947532846009926 0031947532846009926 No استاد، گروه مهندسی صنایع، دانشگاه علوم و فنون بابل، بابل، ایران Naghmeh Ziaie Assistant Professor, Department of Cardiology, Fellowship of Heart Failure and Transplantation, Babol University of Medical Sciences, Rouhani Hospital Research Center, Babol, Iran نغمه ضیایی ziaiexn@yahoo.com 0031947532846009927 0031947532846009927 No استادیار، گروه قلب فلوشیپ نارسایی قلب و پیوند، دانشگاه علوم پزشکی بابل، مرکز تحقیقات بیمارستان روحانی بابل، بابل، ایران Bagher Rahimpour Cami Assistant Professor, Department of Computer Engineering, University of Science and Technology of Babol, Babol, Iran باقر رحیم پورکامی Rc_bagher@yahoo.com 0031947532846009928 0031947532846009928 No استادیار، گروه مهندسی کامپیوتر، دانشگاه علوم و فنون بابل، بابل، ایران

fa سلب اعتبار علمی مقالات، ابزار مقابله با آلودگی اطلاعات مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد.    The article is a letter to the editor, so it does not have an abstract. Article Retraction, Information Pollution سلب اعتبار علمی مقالات, آلودگی اطلاعات 96 100 http://jhbmi.ir/browse.php?a_code=A-10-1044-2&slc_lang=fa&sid=1 2023/12/12023/12/142024/01/92024/01/172024/02/202024/05/312024/06/32024/08/14 1403/5/24 2024/04/92024/05/132024/05/292024/05/292024/05/292024/07/92024/07/92024/08/14 1403/5/24 Mohammadhiwa Abdekhoda PhD. Professor in Health Information Management, Department of Medical Library and Information Sciences, School of Health Management and Medical Informatics, Medical Education Research Center (MERC), Tabriz University of Medical Sciences, Tabriz, Iran محمدهیوا عبدخدا Hiwaabdekhoda@gmail.com 0031947532846009929 0031947532846009929 Yes استاد مدیریت اطلاعات سلامت، گروه کتابداری و اطلاع رسانی پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، مرکز تحقیقات آموزش پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران