دوره 11، شماره 1 - ( 3-1403 )
جلد 11 شماره 1 صفحات 71-60 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Afrasiabi M, Movahedi A. Alzheimer's Prediction Using Deep Neural Network and Particle Swarm Optimization. jhbmi 2024; 11 (1) :60-71
URL: http://jhbmi.ir/article-1-849-fa.html
URL: http://jhbmi.ir/article-1-849-fa.html
افراسیابی مه لقا، موحدی احمد. پیش بینی بیماری آلزایمر با استفاده از شبکه عصبی عمیق و الگوریتم بهینه‌سازی ازدحام ذرات. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (1) :60-71
استادیار، گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران
چکیده: (401 مشاهده)
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.
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.
فایل صوتی [MP3 1295 KB] (24 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
