به‌کار‌گیری روش‌های یادگیری ماشین جهت پیش‌بینی میزان زنده ماندن بیماران گلیوبلاستوما با استفاده از تصاویر تشدید مغناطیسی Application of Machine Learning Methods to Predict the Survival Rate of Glioblastoma Patients Using MR Images 1 1 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. 2 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. 1 13 2023/12/1 1402/9/10 2024/04/9 1403/1/21 محمدرضا هدیه زاده Mohammadreza Hedyehzadeh دکترای مهندسی پزشکی، استادیار گروه مهندسی پزشکی، گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران ایران mrhedyehzadeh@iaud.ac.ir مهدی یوسفی Mahdi Yousefi دانشجوی دکترای مهندسی پزشکی، باشگاه پژوهشگران جوان و نخبگان، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران ایران mahdiyousefi@sel.iaun.ac.ir Survival Time Deep Learning Glioblastoma Classification MRI مدت زمان زنده ماندن یادگیری عمیق گلیوبلاستوما طبقه‌بندی تصویربرداری تشدید مغناطیسی [1]. Berendsen S, Van Bodegraven E, Seute T, Spliet WG, Geurts M, Hendrikse J, et al. Adverse prognosis of glioblastoma contacting the subventricular zone: Biological correlates. PloS one 2019;14(10):e0222717. https://doi.org/10.1371/journal.pone.0222717##[2]. Hedyehzadeh M, Maghooli K, MomenGharibvand M, Pistorius S. A comparison of the efficiency of using a deep CNN approach with other common regression methods for the prediction of EGFR expression in glioblastoma patients. Journal of Digital Imaging 2020;33:391-8. https://doi.org/10.1007/s10278-019-00290-4##[3]. Hedyehzadeh M, Nezhad SY, Safdarian N. Evaluation of conventional machine learning methods for brain tumour type classification. Comptes rendus de l’Acade'mie bulgare des Sciences 2020;73(6):856-65. doi: 10.7546/CRABS.2020.06.14##[4]. Hedyehzadeh M, Maghooli K, MomenGharibvand M. Glioma grade detection using grasshopper optimization algorithm‐optimized machine learning methods: The Cancer Imaging Archive study. International Journal of Imaging Systems and Technology 2021;31(3):1670-7. https://doi.org/10.1002/ima.22536##[5]. Achak A, Hedyehzadeh M. Assessing the Efficiency of Deep Learning Methods in Estimating the Malignancy of Bi-Rads 4 Breast Lesions Using Contrast-enhanced Spectral Mammography Images. Qom Univ Med Sci J 2023; 2756.1. [In Persian]‎ doi:10.32598/qums.17.2756.1##[6]. Achak A, Hedyehzadeh M. Determining the Differentiation of Benign and Malignant NME Lesions in Contrast-Enhanced Spectral Mammography Images Based on Convolutional Neural Networks. Journal of Medical and Biological Engineering 2023;43(5):585-95. doi:10.1007/s40846-023-00814-y##[7]. Hedyehzadeh M, Pu J, Leilizadeh S, Gezer S, Dresser C, Beeche CA. A Comparison of Deep and Conventional Regression Methods for MRI-Based Estimation of Survival Time in GBM Patients. http://dx.doi.org/10.2139/ssrn.4001112##[8]. Pereira S, Pinto A, Alves V, Silva CA. Brain tumor segmentation using convolutional neural networks in MRI images. IEEE Transactions on Medical Imaging 2016;35(5):1240-51. doi: 10.1109/TMI.2016.2538465##[9]. Tiwari P, Prasanna P, Wolansky L, Pinho M, Cohen M, Nayate AP, et al. Computer-extracted texture features to distinguish cerebral radionecrosis from recurrent brain tumors on multiparametric MRI: a feasibility study. American Journal of Neuroradiology 2016;37(12):2231-6.##[10]. Verger A, Filss CP, Lohmann P, Stoffels G, Sabel M, Wittsack HJ, et al. Comparison of 18 F-FET PET and perfusion-weighted MRI for glioma grading: a hybrid PET/MR study. European Journal of Nuclear Medicine and Molecular Imaging 2017;44:2257-65. doi:10.1007/s00259-017-3812-3##[11]. Barzegar Z, Jamzad M. Fully automated glioma tumour segmentation using anatomical symmetry plane detection in multimodal brain MRI. IET Computer Vision 2021;15(7):463-73. https://doi.org/10.1049/cvi2.12035## ##[12]. Yousefi M, Hedyehzadeh M. Recurrence Detection of Non-small cell Lung Cancer (NSCLC) Tumors Using Imaging and Clinical Features. Journal of Health and Biomedical Informatics 2022;9(1):40-9. [In Persian]##[13]. Li Z, Wang Y, Yu J, Guo Y, Cao W. Deep learning based radiomics (DLR) and its usage in noninvasive IDH1 prediction for low grade glioma. Scientific Reports 2017;7(1):5467.##[14]. Wang F, Jiang R, Zheng L, Meng C, Biswal B. 3d u-net based brain tumor segmentation and survival days prediction. InInternational MICCAI Brainlesion Workshop; 2019 Oct 17; Cham: Springer International Publishing; 2019. p. 131-41.##[15]. Hamghalam M, Lei B, Wang T. Brain tumor synthetic segmentation in 3D multimodal MRI scans. InBrainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 5th International Workshop, BrainLes 2019, Held in Conjunction with MICCAI; 2019 Oct 17; Shenzhen, China: Springer; 2020. p. 153-62.## ##

تحلیل فضا-زمانی بیماری آسم در کلانشهر تهران با استفاده از سامانه اطلاعات جغرافیایی (GIS) Spatio-temporal Analysis of Asthma Prevalence in the Tehran Metropolis Using Geographic Information Systems (GIS) 1 1 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. 2 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. 14 25 2023/12/12023/12/14 1402/9/23 2024/04/92024/05/13 1403/2/24 علیرضا محمدی Alireza Mohammadi استاد جغرافیا و برنامه‌ریزی شهری، گروه جغرافیا و برنامه‌ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران Alirezamohammadi20142014@gmail.com پریا نصیری Parya Nasiri دانشجوی دکتری جغرافیا و برنامه‌ریزی شهری، ، گروه جغرافیا و برنامه‌ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران m.nasiri3020@gmail.com رویا مقابلی Roya Moghabeli دانشجوی کارشناسی ارشد جغرافیا و برنامه‌ریزی شهری، گروه جغرافیا و برنامه‌ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران roya.moghabeli@gmail.com Spatio-temporal analysis asthma geographic information system (GIS) Tehran city تحلیل فضایی-زمانی بیماری آسم سامانه اطلاعات جغرافیایی (GIS) شهر تهران [1]. Shafiinejad S, Ebrahimi Qavamabadi L. Investigating the effect of particulate matter on the health of residents of Ahwazi based on the opinion of doctors. The First National Conference on Environmental Research; 2013 Oct 31; Hamedan: Shahid Muftah University; 2012. [In Persian] ##[2]. Ghafari J. An Outlook on the Role of Genetic and Environmental Factors in Asthma. Journal of Mazandaran University of Medical Sciences 2018 ;28(166):246-9. [In Persian]##[3]. Razavi-Termeh SV, Sadeghi-Niaraki A, Choi SM. Spatial modeling of asthma-prone areas using remote sensing and ensemble machine learning algorithms. Remote Sens 2021; 13(16): 3222. https://doi.org/10.3390/rs13163222##[4]. Mohajjel Aghdam A, Hasankhani H, Gharemohammadlu R, Esmaeily M. Relation of patients self-efficacy with control of asthma symptoms. J Gorgan Univ Med Sci 2013; 15(2) :70-6. [In Persian] ##[5]. Summaries S. Morbidity and Mortality Weekly Report. MMWR Surveillance Summaries 2021; 70(8): 293. ##[6]. Khasha R, Sepehri MM, Taherkhani N. Asthma Control Level Assessment by Moving from the Current Reactive Care Models into a Preventive Approach based on Fuzzy Clustering and Classification Algorithms. Payavard Salamat 2020; 14 (3) :201-14. [In Persian] ##[7]. Kanani Sadat Y, Karimipour F, Kanani Sadat A. Investigating the relation between prevalence of asthmatic allergy with the characteristics of the environment using association rule mining. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2014;40:169-74. https://doi.org/10.5194/isprsarchives-XL-2-W3-169-2014 ##[8]. D’amato G, Vitale C, De Martino A, Viegi G, Lanza M, Molino A, et al. Effects on asthma and respiratory allergy of Climate change and air pollution. Multidisciplinary Respiratory Medicine 2015;10(1):1-8. doi:10.1186/s40248-015-0036-x##[9]. Kelly GC, Tanner M, Vallely A, Clements A. Malaria elimination: moving forward with spatial decision support systems. Trends in Parasitology 2012;28(7):297-304. doi:10.1016/j.pt.2012.04.002##[10]. Svendsen ER, Gonzales M, Mukerjee S, Smith L, Ross M, Walsh D, et al. GIS-modeled indicators of traffic-related air pollutants and adverse pulmonary health among children in El Paso, Texas. American Journal of Epidemiology 2012;176(suppl_7):S131-41. https://doi.org/10.1093/aje/kws274##[11]. MohammadEbrahimi S, Mohammadi A, Bergquist R, Dolatkhah F, Olia M, Tavakolian A, et al. Epidemiological characteristics and initial spatiotemporal visualisation of COVID-19 in a major city in the Middle East. BMC Public Health 2021;21:1-8. doi:10.1186/s12889-021-11326-2##[12]. Kulldorff M, Heffernan R, Hartman J, Assunçao R, Mostashari F. A space–time permutation scan statistic for disease outbreak detection. PLoS Medicine 2005;2(3):e59. https://doi.org/10.1371/journal.pmed.0020059##[13]. Karami J, Delfan S, Shamsoddini A. Role of time in spatial analysis of diseases in Tehran. Journal of Geomatics Science and Technology 2016; 5(4):227-38. [In Persian]##[14]. Han A, Deng S, Yu J, Zhang Y, Jalaludin B, Huang C. Asthma triggered by extreme temperatures: from epidemiological evidence to biological plausibility. Environmental Research 2023;216:114489. https://doi.org/10.1016/j.envres.2022.114489##[15]. Hashimoto A, Suenaga K, Gloter A, Urita K, Iijima S. Direct evidence for atomic defects in graphene layers. Nature 2004;430(7002):870-3.##[16]. Gorai AK, Tuluri F, Tchounwou PB. A GIS based approach for assessing the association between air pollution and asthma in New York State, USA. Int J Environ Res Public Health 2014;11(5):4845-69. https://doi.org/10.3390/ijerph110504845##[17]. Maantay J. Asthma and air pollution in the Bronx: methodological and data considerations in using GIS for environmental justice and health research. Health & Place 2007;13(1):32-56. https://doi.org/10.1016/j.healthplace.2005.09.009##[18]. Namvar Z, Yunesian M, Shamsipour M, Hassanvand MS, Naddafi K, Shahhosseini E. Cross-sectional associations between ambient air pollution and respiratory signs and symptoms among young children in Tehran. Atmospheric Environment 2020;223:117268. https://doi.org/10.1016/j.atmosenv.2020.117268##[19]. National Statistics Center of Iran; 2021. [cited 2024 Jan 10]. Available from: https://amar.thmporg.ir##[20]. Fazel S, Bekmohammadi H. An analysis of population special structure in urban system in esfahan province: 1335-1385. Journal of Environmental Planning 2012;5(19): 143-63. [In Persian]##[21]. Seydai SE, Jahangir E, Darabkhani R, Panahi A. Recognizing the Eventful points of the axes of Alborz province using the kernel density method. Human Geography Research 2020;52(3):939-51. [In Persian] 10.22059/JHGR.2019.232146.1007447##[22]. Asgari A. Spatial statistical analysis with ARC GIS. Urban planning and Processing Corporation; 2011.##[23]. Mohammadi A, Firouzi Majandeh E. Spatial Analysis of Mosque in Ardebil city in the Contemporary Era. Motaleate Shahri 2016;5(17):55-66. [In Persian] ##[24]. Qalibaf MB, Ansarizadeh S, Parhish F. Investigating and analyzing the role of crime hotspots in the occurrence of urban crimes. Municipalities Monthly 2009;11(100): 22-32. [In Persian] ##[25]. Noorian F, Ziaee M. Spatial Analyst's Comprehensive Guide: Advanced Spatial Analysis Using GIS Raster and Vector Information. Tehran: Urban Planning and Company; 2004. p. 119. [In Persian]## ##

تشخیص بیماری قلبی با استفاده از شبکه های عصبی پیچشی و الگوریتم بهینه‎ سازی ذرات Diagnosing Heart Disease Using Convolutional Neural Network and the Particle Swarm Optimization 1 1 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. 2 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. 26 42 2023/12/12023/12/142024/01/9 1402/10/19 2024/04/92024/05/132024/05/29 1403/3/9 سارا معتمد Sara Motamed استادیار، دکترای مهندسی کامپیوتر، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران ایران motamed.sarah@gmail.com الهام عسکری Elham Askari استادیار، دکترای مهندسی کامپیوتر، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران ایران askary.elham@gmail.com Cardiac Arrhythmia Convolutional Neural Network Particle Swarm Optimization Multiclass Classification آریتمی قلب شبکه‎ ها‌ی عصبی پیچشی بهینه‌سازی ازدحام ذرات طبقه‌بندی چند کلاسه [1]. Ahsan MM, Siddique Z. Machine learning-based heart disease diagnosis: A systematic literature review. Artificial Intelligence in Medicine 2022;128:102289. https://doi.org/10.1016/j.artmed.2022.102289##[2]. Brites IS, da Silva LM, Barbosa JL, Rigo SJ, Correia SD, Leithardt VR. Machine learning and iot applied to cardiovascular diseases identification through heart sounds: A literature review. Informatics 2021; 8(4): 73. https://doi.org/10.3390/informatics8040073##[3]. Diwakar M, Tripathi A, Joshi K, Memoria M, Singh P. Latest trends on heart disease prediction using machine learning and image fusion. Materials Today: Proceedings 2021;37:3213-8. https://doi.org/10.1016/j.matpr.2020.09.078##[4]. Elhoseny M, Mohammed MA, Mostafa SA, Abdulkareem KH, Maashi MS, Garcia-Zapirain B, et al. A New Multi-Agent Feature Wrapper Machine Learning Approach for Heart Disease Diagnosis. Computers, Materials & Continua 2021;67(1): 51-71. doi: 10.32604/cmc.2021.012632##[5]. Elias P, Poterucha TJ, Rajaram V, Moller LM, Rodriguez V, Bhave S, et al. Deep learning electrocardiographic analysis for detection of left-sided valvular heart disease. Journal of the American College of Cardiology 2022;80(6):613-26.##[6]. Kavitha M, Gnaneswar G, Dinesh R, Sai YR, Suraj RS. Heart disease prediction using hybrid machine learning model. 6th International Conference on Inventive Computation Technologies (ICICT); 2021 Jan 20; p. 1329-33. Coimbatore, India: IEEE; 2021. doi: 10.1109/ICICT50816.2021.9358597##[7]. Fereidooni M, Estakhrian AM. Design and simulation of bioelectrical system that can be trained in the diagnosis of heart arrhythmia diseases using neural network. The First National Conference on Electrical Engineering of The Young and Elite Researchers Club; 2016 Apr 26; Shiraz: Islamic Azad University of Shiraz; 2016. [In Persian]##[8]. Naruei I, Zamani B. Diagnosis of Cardiac Arrhythmia Using Pca and MLP Neural Network. The Second Conference on New Research in Science and Technology; 2015 Jul 20; Kerman: Elm Mehvaran Asman Company; 2018. [In Persian]##[9]. Dashti nejad N, Askar Farashah M. Diagnosis of liver and heart disease through iridology based on error backpropagation network. 2015 Sep 5; International Conference on New Research Findings in Electrical Engineering and Computer Science, Tehran: Nikan; 2016. [In Persian]##[10]. Palaniappan S, Awang R. Intelligent heart disease prediction system using data mining techniques. In2008 IEEE/ACS International Conference on Computer Systems and Applications; 2008 Mar-Apr 31-4; Doha, Qatar: IEEE; 2008. p. 108-15. doi: 10.1109/AICCSA.2008.4493524.##[11]. Venkatalakshmi B, Shivsankar MV. Heart disease diagnosis using predictive data mining. International Journal of Innovative Research in Science, Engineering and Technology 2014;3(3):1873-7.##[12]. Masethe HD, Masethe MA. Prediction of heart disease using classification algorithms, Proceedings of the World Congress on Engineering and Computer Science. USA, 2014. doi: https://www.iaeng.org/publication/WCECS2014/WCECS2014_pp809-812.pdf.##[13]. Mustaqeem A, Anwar SM, Majid M, Khan AR. Wrapper method for feature selection to classify cardiac arrhythmia. In2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) 2017 Jul 11; Jeju, Korea (South): IEEE; 2017. p. 3656-59. doi: 10.1109/EMBC.2017.8037650##[14]. Zhang Y, Zhou ZH. Multilabel dimensionality reduction via dependence maximization. ACM Transactions on Knowledge Discovery from Data (TKDD) 2010;4(3):1-21. https://doi.org/10.1145/1839490.1839495##[15]. Kong X, Yu PS. gMLC: a multi-label feature selection framework for graph classification. Knowledge and information systems 2012;31:281-305. doi:10.1007/s10115-011-0407-3##[16]. Mehmood A, Iqbal M, Mehmood Z, Irtaza A, Nawaz M, Nazir T, et al. Prediction of heart disease using deep convolutional neural networks. Arabian Journal for Science and Engineering 2021;46(4):3409-22. doi:10.1007/s13369-020-05105-1##[17]. Shaji SP. Predictionand diagnosis of heart disease patients using data mining technique. International Conference on Communication and Signal Processing (ICCSP); 2019 Apr 4; IEEE; 2019. p. 848-52. doi: 10.1109/ICCSP.2019.8697977##[18]. Anggoro DA, Kurnia ND. Comparison of accuracy level of support vector machine (SVM) and K-nearest neighbors (KNN) algorithms in predicting heart disease. International Journal 2020;8(5):1689-94. https://doi.org/10.30534/ijeter/2020/32852020##[19]. Singh A, Kumar R. Heart disease prediction using machine learning algorithms. International Conference on Electrical and Electronics Engineering (ICE3); 2020 Feb 14; Gorakhpur, India: IEEE; 2020. p. 452-7. doi: 10.1109/ICE348803.2020.9122958##[20]. Khan MA. An IoT framework for heart disease prediction based on MDCNN classifier. IEEE Access 2020;8:34717-27. doi: 10.1109/ACCESS.2020.2974687##[21]. Dutta A, Batabyal T, Basu M, Acton ST. An efficient convolutional neural network for coronary heart disease prediction. Expert Systems with Applications 2020;159:113408. https://doi.org/10.1016/j.eswa.2020.113408##[22]. Kim BK, Roh J, Dong SY, Lee SY. Hierarchical committee of deep convolutional neural networks for robust facial expression recognition. Journal on Multimodal User Interfaces 2016;10:173-89. doi:10.1007/s12193-015-0209-0##[23]. Taylan O, Alkabaa AS, Alqabbaa HS, Pamukçu E, Leiva V. Early prediction in classification of cardiovascular diseases with machine learning, neuro-fuzzy and statistical methods. Biology 2023;12(1):117. https://doi.org/10.3390/biology12010117##[24]. Arif MS, Mukheimer A, Asif D. Enhancing the early detection of chronic kidney disease: A robust machine learning model. Big Data Cogn Comput 2023; 7(3): 144. https://doi.org/10.3390/bdcc7030144 ##[25]. Mehmood A, Iqbal M, Mehmood Z, Irtaza A, Nawaz M, Nazir T, et al. Prediction of heart disease using deep convolutional neural networks. Arabian Journal for Science and Engineering 2021;46(4):3409-22. doi:10.1007/s13369-020-05105-1## ##

تشخیص خودکار آمفیزم ریوی با استفاده از شبکه عصبی عمیق مبتنی بر Unet بهینه‌سازی شده Automatic Diagnosis of Pulmonary Emphysema Using Optimized Unet-based Deep Neural Network 1 1 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. 2 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. 43 59 2023/12/12023/12/142024/01/92024/01/17 1402/10/27 2024/04/92024/05/132024/05/292024/05/29 1403/3/9 صفورا اویسی Safura Oviesi دانشجوی دکتری مهندسی فناوری اطلاعات، دانشکده صنایع،گروه مهندسی فناوری اطلاعات،دانشگاه خواجه نصیرالدین طوسی، تهران، ایران ایران s.oviesi@email.kntu.ac.ir محمدجعفر تارخ Mohammad Jafar Tarokh استاد، دانشکده صنایع،گروه مهندسی فناوری اطلاعات، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران ایران mjtarokh@kntu.ac.ir محمد کاظم مومنی Mohammad Kazem Momeni دانشیار، دانشکده پزشکی، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران ایران drkazemmomeni@gmail.com Artificial intelligence Neural networks Pulmonary emphysema Image processing Deep Learning هوش مصنوعی شبکه‌های عصبی آمفیزم ریوی پردازش تصویر یادگیری عمیق [1]. Isaac A, Nehemiah HK, Isaac A, Kannan A. Computer-Aided Diagnosis system for diagnosis of pulmonary emphysema using bio-inspired algorithms. Computers in Biology and Medicine 2020;124:103940. https://doi.org/10.1016/j.compbiomed.2020.103940##[2]. Mondal S, Sadhu AK, Dutta PK. Automated diagnosis of pulmonary emphysema using multi-objective binary thresholding and hybrid classification. Biomedical Signal Processing and Control 2021;69:102886. https://doi.org/10.1016/j.bspc.2021.102886##[3]. Parui S, Parbat D, Chakraborty M. A deep learning paradigm for computer aided diagnosis of emphysema from lung hrct images. InInternational Conference on Computing in Engineering & Technology; 2022 Feb 12; Singapore: Springer Nature; 2022. p. 198-207.##[4]. Oh AS, Baraghoshi D, Lynch DA, Ash SY, Crapo JD, Humphries SM. COPDGene Investigators. Emphysema progression at CT by deep learning predicts functional impairment and mortality: results from the COPDGene study. Radiology 2022;304(3):672-9. https://doi.org/10.1148/radiol.213054##[5]. Sorensen L, Shaker SB, De Bruijne M. Quantitative analysis of pulmonary emphysema using local binary patterns. IEEE Transactions on Medical Imaging 2010;29(2):559-69. doi: 10.1109/TMI.2009.2038575##[6]. Peng L, Lin L, Hu H, Li H, Chen Q, Ling X, et al. Classification and quantification of emphysema using a multi-scale residual network. IEEE Journal of Biomedical and Health Informatics 2019;23(6):2526-36. doi: 10.1109/JBHI.2018.2890045##[7]. Isaac A, Nehemiah HK, Dunston SD, Christo VE, Kannan A. Feature selection using competitive coevolution of bio-inspired algorithms for the diagnosis of pulmonary emphysema. Biomedical Signal Processing and Control 2022;72:103340. https://doi.org/10.1016/j.bspc.2021.103340##[8]. Tang LY, Coxson HO, Lam S, Leipsic J, Tam RC, Sin DD. Towards large-scale case-finding: training and validation of residual networks for detection of chronic obstructive pulmonary disease using low-dose CT. The Lancet Digital Health 2020;2(5):e259-67. doi:https://doi.org/10.1016/S2589-7500(20)30064-9##[9]. Ross JC, Castaldi PJ, Cho MH, Chen J, Chang Y, Dy JG, et al. A Bayesian nonparametric model for disease subtyping: application to emphysema phenotypes. IEEE Transactions On Medical Imaging 2016;36(1):343-54. doi: 10.1109/TMI.2016.2608782##[10]. Sweetlin JD, Nehemiah HK, Kannan A. Feature selection using ant colony optimization with tandem-run recruitment to diagnose bronchitis from CT scan images. Computer Methods and Programs in Biomedicine. 2017;145:115-25. https://doi.org/10.1016/j.cmpb.2017.04.009##[11]. Dhalia Sweetlin J, Khanna Nehemiah H, Kannan A. Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images. Journal of Information Science & Engineering 2016;32(5): 1373.##[12]. Emary E, Zawbaa HM, Grosan C, Hassenian AE. Feature subset selection approach by gray-wolf optimization. InAfro-European Conference for Industrial Advancement: Proceedings of the First International Afro-European Conference for Industrial Advancement AECIA; 2014. Switzerland: Springer; 2014. p. 1-13. doi:10.1007/978-3-319-13572-4_1##[13]. Zawbaa HM, Emary E, Grosan C, Snasel V. Large-dimensionality small-instance set feature selection: A hybrid bio-inspired heuristic approach. Swarm and Evolutionary Computation 2018;42:29-42. https://doi.org/10.1016/j.swevo.2018.02.021##[14]. Anter AM, Ali M. Feature selection strategy based on hybrid crow search optimization algorithm integrated with chaos theory and fuzzy c-means algorithm for medical diagnosis problems. Soft Computing 2020;24(3):1565-84. doi:10.1007/s00500-019-03988-3##[15]. Chen DY, Peng L, Li WC, Wang YD. Building extraction and number statistics in WUI areas based on UNet structure and ensemble learning. Remote Sensing 2021;13(6):1172. https://doi.org/10.3390/rs13061172##[16]. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D. Attention gated networks: Learning to leverage salient regions in medical images. Medical Image Analysis 2019;53:197-207. https://doi.org/10.1016/j.media.2019.01.012##[17]. Rad RM, Saeedi P, Au J, Havelock J. Trophectoderm segmentation in human embryo images via inceptioned U-Net. Medical Image Analysis 2020;62:101612. https://doi.org/10.1016/j.media.2019.101612##[18]. Harifi S, Mohammadzadeh J, Khalilian M, Ebrahimnejad S. Giza Pyramids Construction: an ancient-inspired metaheuristic algorithm for optimization. Evolutionary Intelligence 2021;14(4):1743-61. doi:10.1007/s12065-020-00451-3##[19]. Karaboga D, Basturk B. A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimization. 2007;39:459-71. doi:10.1007/s10898-007-9149-x## ##

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 1 1 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. 2 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. 60 71 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 مه لقا افراسیابی Mahlagha Afrasiabi استادیار، گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران ایران m.afrasiabi001@gmail.com احمد موحدی Ahmad Movahedi دانشجوی ارشد مهندسی کامپیوتر، گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران ایران a.movahedi18@gmail.com Alzheimer's disease deep neural network machine learning particle swarm optimization بیماری آلزایمر شبکه عصبی عمیق یادگیری عمیق الگوریتم بهینه‌سازی ازدحام ذرات [1]. Castellani RJ, Rolston RK, Smith MA. Alzheimer disease. Dis Mon 2010; 56(9): 484–46. doi: 10.1016/j.disamonth.2010.06.001##[2]. Babacan Yildiz G, Ur Özçelik E, Kolukisa M, Turan Işik A, Gürsoy E, et al. Validity and Reliability Studies of Modified Mini Mental State Examination (MMSE-I) for Turkish Illiterate Patients with Diagnosis of Alzheimer Disease Turkish Journal of Psychiatry 2016 ;27(1): 1-8.## [3]. Mitchell AJ. The Mini-Mental State Examination (MMSE): An Update on Its Diagnostic Validity for Cognitive Disorders. Cognitive Screening Instruments: A Practical Approach. 2013. p. 15-46.##[4]. Veitch DP, Weiner MW, Aisen PS, Beckett LA, Cairns NJ, Green RC, et al. Understanding disease progression and improving Alzheimer's disease clinical trials: Recent highlights from the Alzheimer's Disease Neuroimaging Initiative Alzheimer's & Dementia 2019;15(1):106-52. https://doi.org/10.1016/j.jalz.2018.08.005##[5]. Rathore S, Habes M, Iftikhar MA, Shacklett A, Davatzikos C. A review on neuroimaging-based classification studies and associated feature extraction methods for Alzheimer's disease and its prodromal stages. NeuroImage 2017;155:530-48. https://doi.org/10.1016/j.neuroimage.2017.03.057##[6]. Marcus DS, Fotenos AF, Csernansky JG, Morris JC, Buckner RL. Open access series of imaging studies: longitudinal MRI data in nondemented and demented older adults. Journal of Cognitive Neuroscience 2010;22(12):2677-84.##[7]. Sowan B, Eshtay M, Dahal K, Qattous H, Zhang L. Hybrid PSO feature selection-based association classification approach for breast cancer detection. Neural Computing and Applications 2023;35(7):5291-317. https://doi.org/10.1007/s00521-022-07950-7##[8]. Yun F, Dong H, Liang C, Weimin T, Chao T. Feature selection of XLPE cable condition diagnosis based on PSO-SVM. Arabian Journal for Science and Engineering 2023;48(5):5953-63. doi: 10.1007/s13369-022-07175-9## [9]. Salehi AW, Baglat P, Sharma BB, Gupta G, Upadhya A. A CNN model: earlier diagnosis and classification of Alzheimer disease using MRI. International Conference on Smart Electronics and Communication (ICOSEC) 2020 Sep 10; Trichy, India: IEEE; 2020. pp. 156-61. doi: 10.1109/ICOSEC49089.2020.9215402##[10]. Taghavizadeh M, Nooshyar M, Akbarimajd A, Shahalinejad S. Automatic and Accurate Diagnosis of Alzheimer's Disease from MRI Images Improved by Deep Convolutional Neural Network. Journal of Health and Biomedical Informatics 2024; 10(4): 32663. [In Persian] doi:10.34172/jhbmi.2024.01## [11]. Nawaz A, Anwar SM, Liaqat R, Iqbal J, Bagci U, Majid M. Deep convolutional neural network based classification of Alzheimer's disease using MRI data. 23rd International Multitopic Conference (INMIC); 2020 Nov 5; Bahawalpur, Pakistan: IEEE; 2020. p. 1-6. doi: 10.1109/INMIC50486.2020.9318172##[12]. Lei B, Liang E, Yang M, Yang P, Zhou F, Tan EL, et al. Predicting clinical scores for Alzheimer’s disease based on joint and deep learning. Expert Systems with Applications 2022;187:115966. https://doi.org/10.1016/j.eswa.2021.115966##[13]. Pious AE, Sridevi UK. A Novel Segment White Matter Hyperintensities Approach for Detecting Alzheimer. Computer Systems Science and Engineering 2023; 44(3): 2715-26. https://doi.org/10.32604/csse.2023.026582##[14]. Aruna SK, Chitra S. Machine learning approach for identifying dementia from MRI images. International Journal of Computer and Information Engineering 2016;9(3):881-8. ##[15]. Ramírez J, Górriz JM, Salas-Gonzalez D, Romero A, López M, Álvarez I, et al. Computer-aided diagnosis of Alzheimer’s type dementia combining support vector machines and discriminant set of features. Information Sciences 2013;237:59-72. https://doi.org/10.1016/j.ins.2009.05.012##[16]. Arora A, Gourisaria MK, Chatterjee R. Classification and Analysis of Dementia using Machine Learning Algorithms. In2022 IEEE International Conference on Electronics, Computing and Communication Technologies; 2022 Jul 8-10; Bangalore, India: IEEE; 2022. p. 1-6. doi: 10.1109/CONECCT55679.2022.9865789##[17]. Battineni G, Chintalapudi N, Amenta F. Machine learning in medicine: Performance calculation of dementia prediction by support vector machines (SVM). Informatics in Medicine Unlocked 2019;16:100200. https://doi.org/10.1016/j.imu.2019.100200##[18]. Dhakal S, Azam S, Hasib KM, Karim A, Jonkman M, Al Haque AF. Dementia prediction using machine learning. Procedia Computer Science 2023;219:1297-308. https://doi.org/10.1016/j.procs.2023.01.414##[19]. Buduma N, Buduma N, Papa J. Fundamentals of deep learning. O'Reilly Media, Inc; 2022.##[20]. Naskath J, Sivakamasundari G, Begum AA. A study on different deep learning algorithms used in deep neural nets: MLP SOM and DBN. Wireless Personal Communications 2023;128(4):2913-36.##[21]. Patel S. A comprehensive analysis of Convolutional Neural Network models. International Journal of Advanced Science and Technology 2020;29(4):771-7.##[22]. Popescu MC, Balas VE, Perescu-Popescu L, Mastorakis N. Multilayer perceptron and neural networks. WSEAS Transactions on Circuits and Systems 2009; 8: 579-88.##[23]. Jain M, Saihjpal V, Singh N, Singh SB. An overview of variants and advancements of PSO algorithm. Appl Sci 2022; 12(17): 8392. https://doi.org/10.3390/app12178392 ##[24]. Blagus R, Lusa L. SMOTE for high-dimensional class-imbalanced data. BMC Bioinformatics 2013;14:1-6.## ##

ارائه یک روش خودرمزگذار چند مقیاسی جهت بهبود خوشه بندی و تحلیل داده های سلول-منفرد Providing a Multi-Scale Self-Encoding Method to Improve Clustering and Analysis of Single-Cell Data 1 1 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. 2 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. 72 82 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 امین عینی پور Amin Einipour استادیار گروه مهندسی کامپیوتر، واحد اندیمشک، دانشگاه آزاد اسلامی، اندیمشک، ایران ایران a.einipour@gmail.com Single-cell analysis Dimensionality reduction Clustering analysis تحلیل سلول-منفرد کاهش ابعاد تحلیل خوشه بندی [1]. Ziegenhain C, Vieth B, Parekh S, Reinius B, Guillaumet-Adkins A, Smets M, et al. Comparative analysis of single-cell RNA sequencing methods. Molecular Cell 2017;65(4):631-43. doi: 10.1016/j.molcel.2017.01.023##[2]. Svensson V, Natarajan KN, Ly LH, Miragaia RJ, Labalette C, Macaulay IC, et al. Exponential scaling of single-cell RNA-Seq in the past decade. Nat Protoc 2018;13(4):599-604. doi: 10.1038/nprot.2017.149##[3]. Zheng GXY, Terry JM, Belgrader P, Ryvkin P, Bent ZW, Wilson R, et al. Massively parallel digital transcriptional profiling of single cells. Nat Commun 2017:8:14049. doi: 10.1038/ncomms14049##[4]. Budnik B, Levy E, Harmange G, Slavov N. Mass-spectrometry of single mammalian cells quantifies proteome heterogeneity during cell differentiation. Genome Biol 2018;19(1):161. doi: 10.1186/s13059-018-1547-5##[5]. Specht H, Emmott E, Petelski AA, Huffman RG, Perlman DH, Serra M, et al. Single-cell proteomic and transcriptomic analysis reveals protein-protein interactions and cell heterogeneity. Genome Biol 2021;22: 50. doi: 10.1186/s13059-021-02267-5.##[6]. Baslan T, Hicks J. Genome-wide copy number analysis of single cells. Nat Protoc 2012;7(6):1024-41. doi: 10.1038/nprot.2012.039##[7]. Navin N, Kendall J, Troge J, Andrews P, Rodgers L, McIndoo J, et al. Tumor evolution inferred by single-cell sequencing. Nature 2011;472(7341):90-4. doi: 10.1038/nature09807##[8]. van der Maaten L, Hinton G. Visualizing data using t-SNE. Journal of Machine Learning Research 2008;9(86):2579-605. doi: jmlr.org/papers/v9/vandermaaten08a.##[9]. Abdi H, Williams LJ. Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics. 2010;2(4):433-59. https://doi.org/10.1002/wics.101.##[10]. Einipour A, Mosleh M, Ansari-Asl K, A graph-based clustering approach to identify cell populations in single-cell RNA sequencing data. Journal of Health and Biomedical Informatics 2020;7(1):60-72. [In Persian]##[11]. Kiselev VY, Kirschner K, Schaub MT, Andrews T, Yiu A, Chandra T, et al. SC3: consensus clustering of single-cell RNA-seq data. Nat Methods 2017;14(5):483-6. doi: 10.1038/nmeth.4236##[12]. Stuart T, Butler A, Hoffman P, Hafemeister C, Papalexi E, Mauck WM, et al. Comprehensive integration of single-cell data. Cell. 2019;177(7):1888-902. doi: 10.1016/j.cell.2019.05.031##[13]. Trapnell C, Cacchiarelli D, Grimsby J, Pokharel P, Li S, Morse M, et al. Pseudo-temporal ordering of individual cells reveals dynamics and regulators of cell fate decisions. Nat Biotechnol 2014; 32(4): 381–6. doi: 10.1038/nbt.2859##[14]. Tirosh I, Venteicher AS, Hebert C, Escalante LE, Patel AP, Yizhak K, et al. Single-cell RNA-seq supports a developmental hierarchy in human oligodendroglioma. Nature 2016;539(7628):309-13. doi: 10.1038/nature20123##[15]. Patel AP, Tirosh I, Trombetta JJ, Shalek AK, Gillespie SM, Wakimoto H, et al. Single-cell RNA-seq highlights intratumoral heterogeneity in primary glioblastoma. Science. 2014;344(6190):139-401. doi: 10.1126/science.1254257.##[16]. Vermeulen M, Smith K, Eremin K, Rayner G, Walton M. Application of Uniform Manifold Approximation and Projection (UMAP) in spectral imaging of artworks. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 2021;252:119547. doi: 10.1016/j.saa.2021.119547.##[17]. Liu S, Maljovec D, Wang B, Bremer P-T, Pascucci V. Visualizing High-Dimensional Data: Advances in the Past Decade. IEEE Trans Vis Comput Graph. 2017;23(3):1249-1268. doi: 10.1109/TVCG.2016.2640960.##[18]. McInnes L, Healy J, Saul N, Groberger L. UMAP: Uniform Manifold Approximation and Projection. J Open Source Softw 2018;3(29):861. doi:10.21105/joss.00861.##[19]. Arbelaitz O, Gurrutxaga I, Muguerza J, Pérez JM, Perona I. An extensive comparative study of cluster validity indices. Pattern Recognit 2013;46(1): 243-56. doi: 10.1016/j.patcog.2012.07.021.##[20]. Vahldiek K, Klawonn F. Cluster-centered visualization techniques for fuzzy clustering results to judge single clusters. Appl Sci 2024;14(3):1102. doi: 10.3390/app14031102.##[21]. Yang J, Lin CT. Multi-View Adjacency-Constrained Nearest Neighbor Clustering (Student Abstract). In Proceedings of the AAAI Conference on Artificial Intelligence 2022; 36(11):13097-8. doi: 10.1609/aaai.v36i11.21685.##[22]. Shutaywl M, Kachoule NN. Silhouette analysis for performance evaluation in machine learning with applications to clustering. Entropy 2021;23(6):759. doi: 10.3390e23060759.##[23]. Xiao J, Lu J, Li X. Davies-Bouldin index based hierarchical initialization K-Means. Intell Data Anal 2017; 21(3):13271338. doi: 10.3233/IDA-163129.##[24]. Butler A, Hoffman P, Smibert P, Papalexi E, Satija R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol 2018;36(5):411-420. doi: 10.1038/nbt.4096.##[25]. Wang B, Zhu J, Pierson E, Ramazzotti D, Batzoglou S. Visualization and analysis of single-cell RNA-seq data by kernel-based similarity learning. Nat Methods 2017;14(5):414-6. doi: 10.1038/nmeth.4207.## ##

پیش‌بینی مرگ‌ومیر ۳۰ روزه در بیماران نارسایی قلبی با شوک کاردیوژنیک با استفاده از تنظیم هایپرپارامتر‌های جنگل تصادفی Prediction of 30-day Mortality for Heart Failure Patients with Cardiogenic Shock Using Random Forest Hyperparameter Tuning 1 1 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. 2 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. 83 95 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 شیوا کنعانی Shiva Kanani دانشجوی دکتری مهندسی صنایع، دانشگاه علوم و فنون بابل، بابل، ایران ایران shiva.kanani400@gmail.com ایرج مهدوی Iraj Mahdavi استاد، گروه مهندسی صنایع، دانشگاه علوم و فنون بابل، بابل، ایران ایران irajarash@rediffmail.com نغمه ضیایی Naghmeh Ziaie استادیار، گروه قلب فلوشیپ نارسایی قلب و پیوند، دانشگاه علوم پزشکی بابل، مرکز تحقیقات بیمارستان روحانی بابل، بابل، ایران ایران ziaiexn@yahoo.com باقر رحیم پورکامی Bagher Rahimpour Cami استادیار، گروه مهندسی کامپیوتر، دانشگاه علوم و فنون بابل، بابل، ایران ایران Rc_bagher@yahoo.com Heart Failure Cardiogenic Shock Random Forest Hyperparameter Tuning Mortality prediction نارسایی قلبی شوک کاردیوژنیک جنگل تصادفی تنظیم هایپرپارامتر پیش‌بینی مرگ‌ومیر [1]. Mathers CD, Loncar D. Projections of global mortality and burden of disease from 2002 to 2030. PLoS Med 2006;3(11):e442. https://doi.org/10.1371/journal.pmed.0030442##[2]. Said IU, Adam AH, Garko AB. Association rule mining on medical data to predict heart disease. International Journal of Science Technology and Management 2015;4(8):26-35.##[3]. Ponikowski P, Voors AA, Anker SD, Bueno H, Cleland JGF, Coats AJS, et al. 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure: The Task Force for the diagnosis and treatment of acute and chronic heart failure of the European Society of Cardiology (ESC)Developed with the special contribution of the Heart Failure Association (HFA) of the ESC. Eur Heart J 2016;37(27):2129-200.##[4]. Jentzer JC, Chonde MD, Dezfulian C. Myocardial dysfunction and shock after cardiac arrest. BioMed Research International 2015;2015(1):314796. https://doi.org/10.1155/2015/314796##[5]. Hosseinpoor M. Presenting an Intelligent Algorithm to Predict Heart Attack. Journal of Health and Biomedical Informatics 2024;10(4):346-56. [In Persian] doi:10.34172/jhbmi.2024.03##[6]. Awan SE, Bennamoun M, Sohel F, Sanfilippo FM, Chow BJ, Dwivedi G. Feature selection and transformation by machine learning reduce variable numbers and improve prediction for heart failure readmission or death. PLoS One 2019;14(6):e0218760. doi: 10.1371/journal.pone.0218760##[7]. König S, Pellissier V, Hohenstein S, Bernal A, Ueberham L, Meier-Hellmann A, et al. Machine learning algorithms for claims data-based prediction of in-hospital mortality in patients with heart failure. ESC Heart Fail 2021;8(4):3026-36. doi: 10.1002/ehf2.13398##[8]. Moubayed A, Injadat M, Shami A. Optimized random forest model for botnet detection based on DNS queries. 32nd International Conference on Microelectronics (ICM); 2020 Dec 14-17; Aqaba, Jordan: IEEE; 2020. p. 1-4. doi: 10.1109/ICM50269.2020.9331819##[9]. Atiyah MA, Kamal CA. Predicting Mortality COVID‑19 Model and Characterize the High Risk of Dying Based on Machine Learning Models. The Scientific Journal of Cihan University–Sulaimaniya 2023;7(1):61-75. doi: https://doi.org/10.25098/7.1.4##[10]. Bischl B, Binder M, Lang M, Pielok T, Richter J, Coors S, et al. Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges. Wires Data Mining and Knowledge Discovery 2023;13(2): e1484. https://doi.org/10.1002/widm.1484##[11]. Iwase S, Nakada TA, Shimada T, Oami T, Shimazui T, Takahashi N, Yamabe J, Yamao Y, Kawakami E. Prediction algorithm for ICU mortality and length of stay using machine learning. Scientific Reports 2022;12(1):12912.##[12]. Breiman L. Random Forests. Machine Learning 2001;45(1):5-32.##[13]. Oshiro TM, Perez PS, Baranauskas JA. How many trees in a random forest?. Machine Learning and Data Mining in Pattern Recognition. 8th International Conference; 2012 Jul 13-20; Berlin: Berlin Heidelberg: Springer; 2012. p. 154-68.##[14]. Krittanawong C, Hassan Virk H, Hahn J, Al-Azzam F, Greason K, Isath A, et al. Leveraging machine learning models to predict in-hospital mortality after Mitraclip. Journal of the American College of Cardiology 2021;77:940.##[15]. Li X, Sousa-Casasnovas I, Devesa C, Juárez M, Fernández-Avilés F, Martínez-Sellés M. Predictors of in-hospital mortality among cardiogenic shock patients. Prognostic and therapeutic implications. Int J Cardiol 2016:224:114-8. doi: 10.1016/j.ijcard.2016.09.019##[16]. Probst P, Wright MN, Boulesteix AL. Hyperparameters and tuning strategies for random forest. Wires Data Mining and Knowledge Discovery 2019;9(3):e1301. https://doi.org/10.1002/widm.1301##[17]. Fawcett T. Introduction to ROC analysis. Pattern Recognition Letters 2006;27(8):861-74. https://doi.org/10.1016/j.patrec.2005.10.010##[18]. Chawla N. Data Mining for Imbalanced Datasets: An Overview. In: Fayyad U, Piatetsky-Shapiro G, Smyth P, editors. Data Mining and Knowledge Discovery Handbook. 2nd ed. New York: Springer; 2010. p. 853-67.##[19]. Witten IH, Frank E, Hall MA. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. ‎ Morgan Kaufmann; 2011. https://doi.org/10.1016/C2009-0-19715-5##[20]. Kubat M, Matwin S. Addressing the curse of imbalanced training sets: one-sided selection. 1997. Available from: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=ebc3914181d76c817f0e35f788b7c4c0f80abb07##[21]. Talukder MS, Sulaiman RB, Angon MB. Unleashing the Power of Extra-Tree Feature Selection and Random Forest Classifier for Improved Survival Prediction in Heart Failure Patients. arXiv preprint arXiv:2308.05765. 2023 https://doi.org/10.48550/arXiv.2308.05765## ##

سلب اعتبار علمی مقالات، ابزار مقابله با آلودگی اطلاعات Article Retraction: A Tool to Deal with Information Pollution 1 1 مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد. 2 The article is a letter to the editor, so it does not have an abstract. 96 100 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 محمدهیوا عبدخدا Mohammadhiwa Abdekhoda 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 ایران Hiwaabdekhoda@gmail.com Article Retraction Information Pollution سلب اعتبار علمی مقالات آلودگی اطلاعات [1]. UNDP (United Nations Development Programme). Information integrity: Forging a pathway to truth, resilience and trust. United States of America: 2022. [cited 20 Jul 2024]. Available from: https://policycommons.net/artifacts/2264852/information-integrity/.##[2]. Orman L. Fighting information pollution with decision support systems. Journal of Management Information Systems 1984;1(2):64-71. https://doi.org/10.1080/07421222.1984.11517704##[3]. Van Bavel JJ, Harris EA, Pärnamets P, Rathje S, Doell KC, Tucker JA. Political psychology in the digital (mis) information age: A model of news belief and sharing. Social Issues and Policy Review 2021;15(1):84-113. https://doi.org/10.1111/sipr.12077##[4]. Wardle C, Derakhshan H. Information disorder: Toward an interdisciplinary framework for research and policymaking: Council of Europe Strasbourg; 2017.##[5]. Pandita R. Information pollution, a mounting threat: internet a major causality. Journal of Information Science Theory and Practice 2014;2(4):49-60. doi:10.1633/JISTaP.2014.2.4.4##[6]. Malin J, Lubienski C. Information pollution in an age of populist politics. Education Policy Analysis Archives. 2022;30:(94). https://doi.org/10.14507/epaa.30.6144##[7]. Retractionwatch. Retracted coronavirus (COVID-19) papers; 2024. [cited 20 Jul 2024]. Available from: https://retractionwatch.com/retracted-coronavirus-covid-19-papers/##[8]. Bhattacharjee A, Shu K, Gao M, Liu H. Disinformation in the online information ecosystem: detection, mitigation and challenges. arXiv preprint arXiv:201009113. 2020. https://doi.org/10.48550/arXiv.2010.09113##[9]. Watch, R. The Center For Scientific Integrity. 2024; [cited 20 Jul 2024]. Available from: https://retractionwatch.com/the-center-for-scientific-integrity/.##[10]. COPE (Committee on Publication Ethics). Retraction Guidelines 2024. [cited 20 Jul 2024]. Available from: https://publicationethics.org/files/retraction%20guidelines.pdf. ##[11]. Van Noorden R. More than 10,000 research papers were retracted in 2023—a new record. Nature. 2023;624(7992):479-81. doi: 10.1038/d41586-023-03974-8## ##