پیش بینی بیماری آلزایمر با استفاده از شبکه عصبی عمیق و الگوریتم بهینه سازی ازدحام ذرات

مقدمه:  بیماری آلزایمر یک بیماری برگشت ناپذیر 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 جمع آوری 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 ۱۱ 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 تاثیر زیادی در پیش­بینی بیماری را دارد که در بین این شش ویژگی، رتبه­بندی سطح کارکرد حافظه اهمیت بیشتری دارد. نتیجه گیری: مطالعه حاضر به بررسی عوامل موثر 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.

کلیدواژه ها:

Alzheimer's disease ، deep neural network ، machine learning ، particle swarm optimization ، بیماری آلزایمر ، شبکه عصبی عمیق ، یادگیری عمیق ، الگوریتم بهینه سازی ازدحام ذرات