رایانش نرم و فناوری اطلاعات، جلد ۱۴، شماره ۲، صفحات ۱۸-۳۵
عنوان فارسی طبقه‌بندی بیماری آلزایمر بر اساس داده‌های کلینیکی با استفاده از ماشین یادگیری فراگیر
چکیده فارسی مقاله آلزایمر یک بیماری زوال سیستم عصبی مغز انسان است که معمولاً به‌صورت نامحسوس آغاز می‌شود و باتوجه‌به اینکه آسیب مغزی حاصل از این بیماری برگشت‌ناپذیر است، تشخیص به‌موقع آن در روند درمان یا جلوگیری از پیشرفت بیماری بسیار مؤثر است. اخیراً پژوهش‌های زیادی انجام شده است که طبقه‌بندی بیماری آلزایمر را با استفاده از روش‌های یادگیری ماشین و بر روی داده‌های MRI، سی‌تی‌اسکن، پت‌اسکن و بیومارکرهای مایع مغزی نخاعی انجام می‌دهند که در آنها فرایند تشخیص اولیه به‌کندی انجام می‌شود. چالش‌های اصلی در این پژوهش‌ها شامل تشخیص دیرهنگام بیماری، دقت پایین، سرعت کم در تشخیص و پیچیدگی پردازشی و نیاز به منابع محاسباتی قدرتمند برای پردازش داده‌های پیچیده و حجیم است. لذا باهدف مرتفع کردن این چالش‌ها، در این مقاله ابتدا روش ماشین یادگیری فراگیر برای طبقه‌بندی بیماری آلزایمر استفاده شده است. یکی از ویژگی‌های روش پیشنهادی این است که بر روی مجموعه‌ای از داده‌های کلینیکی که از آزمایش‌ها و معاینه‌های بالینی به‌دست‌آمده است، اجرا شده و نیازی به داده‌های تصویربرداری مثل MRI یا پت اسکن نیست که این ویژگی روش پیشنهادی منجر به تشخیص زودهنگام بیماری با هزینه کمتر و قبل از پیشرفت بیماری می‌گردد. نتایج آزمایش‌ها نشان می‌دهند که روش ماشین یادگیری فراگیر تشخیص بیماری را بادقت 98.275 درصد انجام می‌دهد. این روش 3.448 درصد بهتر از جنگل تصادفی، 6.896 درصد بهتر از شبکه‌ی عصبی پرسپترون چندلایه و 8.62 درصد بهتر از ماشین بردار پشتیبان است. همچنین در این تحقیق، میزان تأثیر هریک از علائم بیماری بر موارد ابتلا مشخص شده که این عمل با استفاده از روش‌های انتخاب ویژگی انجام شده است. این نتایج می‌توانند در تشخیص به‌هنگام بیماری و در مطالعات مربوط به درمان یا کند کردن روند بیماری استفاده گردد.
کلیدواژه‌های فارسی مقاله انتخاب ویژگی،تشخیص بیماری آلزایمر،جنگل تصادفی،ماشین بردار پشتیبان،یادگیری ماشین،ماشین یادگیری فراگیر،
عنوان انگلیسی Alzheimer's Disease Classification Based on Clinical Data Using Extreme Learning Machine
چکیده انگلیسی مقاله Alzheimer's disease is a neurodegenerative disorder that typically begins insidiously. Given that the brain damage caused by this disease is irreversible, early diagnosis plays a crucial role in treatment and slowing its progression. Recently, numerous studies have focused on classifying Alzheimer's disease using machine learning methods on data such as MRI, CT scans, PET scans, and cerebrospinal fluid (CSF) biomarkers. However, the initial diagnostic process in these approaches often remains slow. The major challenges in these research endeavors include late disease detection, low accuracy, slow diagnostic speed, and computational complexity, requiring powerful computing resources to process large and intricate datasets. To address these challenges, this study proposes a comprehensive machine learning approach for Alzheimer's disease classification. A key feature of the proposed method is its reliance on a collection of clinical data obtained from tests and clinical examinations, eliminating the need for imaging data such as MRI or PET scans. This characteristic enables earlier and more cost-effective disease detection before significant progression occurs. Experimental results demonstrate that the comprehensive machine learning method achieves an impressive diagnostic accuracy of 98.275%. This represents a 3.448% improvement over Random Forest, a 6.896% improvement over Multilayer Perceptron Neural Networks, and an 8.62% improvement over Support Vector Machines. Furthermore, this study identifies the impact of individual disease symptoms on incidence using feature selection methods. These findings have significant implications for timely disease diagnosis and can be valuable in studies focused on treatment or slowing the disease's progression.
کلیدواژه‌های انگلیسی مقاله انتخاب ویژگی,تشخیص بیماری آلزایمر,جنگل تصادفی,ماشین بردار پشتیبان,یادگیری ماشین,ماشین یادگیری فراگیر
نویسندگان مقاله سعید ادبی |
دانشکده موضوعی هوش مصنوعی و فناوریهای اجتماعی و پیشرفته، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران.

سیما عمادی |
دانشکده موضوعی هوش مصنوعی و فناوریهای اجتماعی و پیشرفته، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران.

نشانی اینترنتی https://jscit.nit.ac.ir/article_225496_e405ba3e68dd93f818134af86e68c52b.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات