دوره 10، شماره 3 - ( پاییز 1403 )
جلد 10 شماره 3 صفحات 324-307 |
برگشت به فهرست نسخه ها
Ethics code: IR.IAU.BIRJAND.REC.1403.001
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
SabbaghGol H, Saadatfar H, Khazaiepoor M. Predicting Alzheimer's disease: A machine learning approach using advanced feature selection techniques. JMIS 2024; 10 (3) :307-324
URL: http://jmis.hums.ac.ir/article-1-544-fa.html
URL: http://jmis.hums.ac.ir/article-1-544-fa.html
صباغ گل حامد، سعادت فر حمید، خزاعی پور مهدی. شناسایی عوامل مؤثر بر پیش بینی ابتلا به بیماری آلزایمر با استفاده از روشهای نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین. اطلاع‌رسانی پزشکی نوین. 1403; 10 (3) :307-324
دکتری تخصصی، مهندسی کامپیوتر ، گروه مهندسی کامپیوتر، دانشگاه بیرجند، بیرجند، ایران.
چکیده: (466 مشاهده)
هدف: بیماری آلزایمر به عنوان یک اختلال عصبی پیش رونده و تخریب کننده، به دلیل تأثیر قابل توجه بر کیفیت زندگی افراد، به ویژه سالمندان، از اهمیت بالایی برخوردار است. با توجه به افزایش روزافزون شیوع این بیماری، توسعه روش های دقیق برای پیش بینی و تشخیص زودهنگام آن ضروری است. در این پژوهش، با بهره گیری از روش های نوین انتخاب ویژگی و مدل های یادگیری ماشین، به دنبال شناسایی عوامل کلیدی مؤثر در پیش بینی بیماری آلزایمر هستیم. هدف اصلی این مطالعه، کمک به توسعه ابزارهای تشخیصی دقیق تر و در نتیجه بهبود مدیر یت و درمان این بیماری ا ست.
روش ها: در این پژوهش، با بهره گیری از ده روش انتخاب ویژگی مبتنی بر Wrapper ، به شناسایی دقیق ترین و مرتبط ترین ویژگی های بیماری آلزایمر پرداخته ایم. کارایی این مدل ها با استفاده از الگوریتم های یادگیری ماشین پرکاربرد و معیارهای ارزیابی استاندارد نظیر دقت، ویژگی، صحت، حساسیت، اندازه گیری F1 و تحلیل منحنی ROCمورد ارزیابی قرار گرفته و نتایج حاصل با یکدیگر مقایسه می شوند. تمامی ارزیابی ها بر روی مجموعه داده استاندارد بیماران آلزایمر ADNI انجام شده ا ست.
نتایج: ویژگی های اثرگذار شامل نتایج آزمون های شناختی(مانند آزمون کوتاه وضعیت ذهنی)، ارزیابی های عملکردی، گزارش های بیماران درباره مشکلات حافظه و رفتاری، و همچنین امتیاز فعالیت های روزمره، به عنوان شاخص های کلیدی در تشخیص بیماری آلزایمر، شناسایی شدند.
نتیجه گیری: نتایج نشان میدهد که با استفاده از روش های نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین، می توان مدل های دقیق تری برای پیش بینی بیماری آلزایمر توسعه داد. این یافته ها می تواند در بهبود تشخیص زود هنگام و مدیریت این بیماری مؤثر با شد.
روش ها: در این پژوهش، با بهره گیری از ده روش انتخاب ویژگی مبتنی بر Wrapper ، به شناسایی دقیق ترین و مرتبط ترین ویژگی های بیماری آلزایمر پرداخته ایم. کارایی این مدل ها با استفاده از الگوریتم های یادگیری ماشین پرکاربرد و معیارهای ارزیابی استاندارد نظیر دقت، ویژگی، صحت، حساسیت، اندازه گیری F1 و تحلیل منحنی ROCمورد ارزیابی قرار گرفته و نتایج حاصل با یکدیگر مقایسه می شوند. تمامی ارزیابی ها بر روی مجموعه داده استاندارد بیماران آلزایمر ADNI انجام شده ا ست.
نتایج: ویژگی های اثرگذار شامل نتایج آزمون های شناختی(مانند آزمون کوتاه وضعیت ذهنی)، ارزیابی های عملکردی، گزارش های بیماران درباره مشکلات حافظه و رفتاری، و همچنین امتیاز فعالیت های روزمره، به عنوان شاخص های کلیدی در تشخیص بیماری آلزایمر، شناسایی شدند.
نتیجه گیری: نتایج نشان میدهد که با استفاده از روش های نوین انتخاب ویژگی و الگوریتم های یادگیری ماشین، می توان مدل های دقیق تری برای پیش بینی بیماری آلزایمر توسعه داد. این یافته ها می تواند در بهبود تشخیص زود هنگام و مدیریت این بیماری مؤثر با شد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
