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


XML English Abstract Print


دکتری تخصصی، مهندسی کامپیوتر ، گروه مهندسی کامپیوتر، دانشگاه بیرجند، بیرجند، ایران.
چکیده:   (3229 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.
متن کامل [PDF 936 kb]   (1354 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1403/6/16 | پذیرش: 1403/9/24 | انتشار: 1403/9/30

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.