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

مقدمه:  بیماری آلزایمر یک بیماری برگشت‌ناپذیر عصبی است که با اختلالات فکری، رفتاری و حافظه مشخص می شود. پیش بینی 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 داده های جمع‌آوری شده از پروژه oasis که توسط مرکز تحقیقات دانشگاه واشنگتن در دسترس قرار گرفته، چارچوبی برای پیش بینی آلزایمر پیشنهاد می کند. در این مطالعه از شبکه عصبی عمیق برای پیش بینی استفاده می شود. برای انتخاب ویژگی های مناسب، الگوریتم بهینه ساز ازدحام ذرات به کار رفته است. ترکیب این دو روش باعث افزایش دقت روش پیش بینی شده است. این روش با الگوریتم های مختلف یادگیری ماشین که دقت خوبی در پیش بینی بیماری آلزایمر داشته اند، مقایسه شده است.یافته ها: نتایج نشان می دهد 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، رتبه بندی سطح کارکرد حافظه، حجم  برآورد شده  داخل جمجمه و حجم نرمال شده کل مغز تاثیر زیادی در پیش بینی بیماری را دارد که در بین این شش ویژگی، رتبه بندی سطح کارکرد حافظه اهمیت بیشتری دارد.نتیجه‌گیری: مطالعه حاضر به بررسی عوامل موثر و پیش بینی بیماری آلزایمر پرداخته است. تشخیص زودهنگام بیماری آلزایمر، باعث ارائه خدمات تشخیصی و درمانی مناسب و همچنین بهبود کیفیت زندگی بیماران می شود. روش ارائه شده در این مطالعه با الگوریتم های مختلف یادگیری ماشین که دقت خوبی در پیش بینی بیماری آلزایمر داشته اند، مقایسه شده است. نتایج نشان می دهد دقت روش پیشنهادی با ویژگی کمتر، بالاتر است.

alzheimer's prediction using deep neural network and particle swarm optimization

introduction: alzheimer’s disease is an irreversible neurological condition characterized by cognitive, behavioral, and memory impairments. early prediction before the transition from mild cognitive impairment to alzheimer’s disease is still a challenging issue. this study aimed to identify factors associated with alzheimer’s disease. method: this study proposes a framework for predicting alzheimer’s disease using data collected from the oasis project, made available by the washington university research center. in this study, a deep neural network was used for prediction. a particle swarm optimization (pso) algorithm was employed for selecting appropriate features. the combination of these two methods increases the accuracy of the proposed prediction method. results: the results indicate that the proposed method achieves higher accuracy with fewer features. among the 11 features in this dataset, six features (age, socioeconomic status, mini-mental state examination score, clinical dementia rating scale, estimated total intracranial volume, and normalized whole-brain volume) have a significant impact on predicting the disease. among these six features, the clinical dementia rating scale is of great importance.conclusion: this study investigated the influential factors and prediction of alzheimer’s disease. early diagnosis of alzheimer’s disease allows for the provision of appropriate diagnostic and therapeutic services, as well as an improvement in patients’ quality of life. the proposed method in this study is compared with various machine learning algorithms that have shown good accuracy in predicting alzheimer’s disease. the results indicate that the accuracy of the proposed method is higher with fewer features.