یک روش جدید برای شناسایی شدت بیماری آلزایمر با استفاده از شبکه عصبی عمیق

علی نوشاد¹ احمدرضا خنکسار²

1) دانشجوی کارشناسی مهندسی کامپیوتر, دانشگاه سلمان فارسی کازرون -
2) دانشجوی کارشناسی مهندسی، کامپیوتر موسسه آموزش عالی زند -

کد IOI مقاله : XDCD-FZGEK
محل انتشار : پنجمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی - آمستردام (5carse.com)
چکیده :
    بیماری آلزایمر (AD) زوال عقل پیشرونده ای است که باعث از بین رفتن ارتباط بین سلولهای عصبی در بزرگسالان می شود. بر اساس پیش بینی های انجام شده توسط انجمن جهانی آلزایمر تا سال 2050، تعداد افراد 65 سال به بالا با زوال عقل آلزایمر ممکن است به 13.8 میلیون نفر برسد، که اهمیت پیشرفت موفقیت آمیز در پزشکی برای جلوگیری، کاهش یا بهبود بیماری آلزایمر را دو چندان می کند. از این رو پزشکان از روشهای بالینی مختلفی برای طبقه بندی بیماری آلزایمر استفاده می کنند، یکی از این روشها درجه بندی زوال عقل بالینی (CDR) است. هدف دنبال شدا در این تحقیق معرفی طراحی معماری شبکه عصبی عمیق بر اساس ویژگی های استخراج شده و تبدیل شده به داده های عدد صحیح از اسکن های mri، بوده است.اسکن های استفاده شده در این پژوهش از تحقیقات دسترسی آزاد اسکن های MRI توسط مرکز تحقیقات بیماری آلزایمر دانشگاه واشنگتن جمع آوری شده است(OASIS). نتایج آزمایش های اولیه نشان می دهد که مدل توسعه یافته با دقت 75.0٪ میتواند شدت آلزایمر را تشخیص دهد. نتایج بدست آمده از عملکرد مدل از نظر معیارهای Sensitivity ، Precision و F1-score به ترتیب 75.0٪ ، 75.3٪ و 75.9٪ بوده است. با توجه به نتایج حاصل از آزمایش و ارزیابی بر اساس معیارها ، همانطور که نشان داده شده است؛ از مدل پیشنهادی می توان برای کمک به متخصصان در ارزیابی بهتر تشخیص خود استفاده کرد، نظر به ویژگی های مشخص شده برای مدل پیشنهادی در این تحقیق از مدل پیش رو می توان به عنوان سیستم CAD از طریق Cloud برای مراکز بهداشتی در سراسر جهان استفاده کرد.

کلمات کلیدی : یادگیری عمیق آلزایمر رتبه بندی بالینی زوال عقل شبکه عصبی عمیق طبقه بندی