mohammadjavad hosseinpoor
-
Background & Objectives
Parkinson’s disease (PD) is a neurological disorder characterized by the progressive loss of brain cells, significantly affecting body movement. Early diagnosis not only reduces healthcare costs but also helps prevent adverse outcomes for patients. Researchers are increasingly utilizing intelligent machine learning methods to enhance the accuracy and efficiency of PD diagnosis.
Materials & MethodsAlthough several data mining techniques have achieved reasonable accuracy in diagnosing PD, they often encounter trade-offs between accuracy and execution speed and are sensitive to parameter settings and data outliers. The k-Nearest Neighbors (KNN) algorithm, for example, is valued for its simplicity and speed but suffers from limitations such as sensitivity to neighborhood size and reliance on majority voting, both of which can degrade performance. To address these challenges, this study employs an advanced variant of the KNN algorithm, referred to as Multiple Local Mean Vector-based Nearest Neighbor Classification (MLMV-NNC), alongside a neural network classifier trained using Bayesian backpropagation. The MLMV-NNC method enhances traditional KNN by incorporating multiple local mean vectors, thereby reducing the influence of outliers and improving classification robustness.
ResultsThe proposed diagnostic approach demonstrates superior performance in detecting PD. Specifically, the model achieves an accuracy of 99%, precision of 96%, specificity of 98.6%, and sensitivity of 100%. Furthermore, a comparative analysis with traditional methods, including Support Vector Machines (SVM) and Artificial Neural Networks (ANN), highlights the superior performance of the proposed method.
ConclusionThe findings indicate that the combination of MLMV-NNC and a neural network trained via Bayesian backpropagation constitutes a highly effective approach for diagnosing PD. This method not only improves accuracy but also mitigates common challenges such as sensitivity to parameter settings and data outliers, offering a promising alternative to conventional classification techniques.
Keywords: Parkinson's Disease, Diagnosis, Data Mining, ANN, KNN, Accuracy, SVM -
Background & Objectives
Cardiovascular disease is a leading cause of death worldwide. ECG signals are used to diagnose it. This study aims to eliminate signal noise by converting available wavelets and extracting existing waves. The location-related properties and amplitude of these waves will be extracted to develop a model based on the random forest algorithm for training and evaluating the algorithm.
Materials & MethodsThis study uses the MIT-BIH dataset, which contains digital ECG signals extracted from Holter bands for different patients at Arrhythmia Hospital from 1975 to 1979. The study applies signal processing and machine learning techniques to classify ECG signals and identify heart patients. The MATLAB software implemented the algorithm, which was evaluated based on accuracy, error rate, TP, FP, Precision, Recall, F-Measure, and ROC criteria. These criteria were determined by a confusion matrix.
ResultsThe study results and comparisons demonstrate that the proposed method is highly effective in detecting heart patients. The proposed method's accuracy was found to be 99%, which is higher than other machine learning methods.
ConclusionThe proposed method achieved an accuracy of 99.1957%, surpassing other machine learning methods like support vector machine, neural network, and Bayes.
Keywords: Heart Disease, MIT-BIH Dataset, Random Forest Algorithm, Wavelet Transform -
مقدمه
امروزه یکی از شایع ترین علت مرگ بزرگسالان در سراسر دنیا سکته قلبی می باشد. طبق اعلام وزارت بهداشت، درمان و آموزش پزشکی، 11 تا 15 درصد مرگ و میرها در کشور ناشی از سکته قلبی است و در جهان، ایران بالاترین آمار مرگ ناشی از بیماری قلبی را دارا می باشد. تخمین زده شده که در سال 2022 ، مرگ و میر ناشی از این بیماری ها به 20 میلیون نفر افزایش یابد؛ بنابراین پیش بینی کردن این بیماری از جمله مباحث چالش برانگیز در مبحث پزشکی می باشد و امروزه اکثر سیستم های پیش بینی با استفاده از الگوریتم های هوش مصنوعی و یادگیری ماشین به وجود آمده اند.
روشپژوهش حاضر از نوع کاربردی و توصیفی است، که در سال 1401 با استفاده از اطلاعات 600 نفر از افراد مراجعه کننده به بیمارستان پیمانیه و مطهری شهرستان جهرم انجام شده است. در این پژوهش داده ها بر اساس منابع موجود از هر دو بیمارستان جمع آوری شدند. به منظور پیاده سازی و ارزیابی نتایج از زبان برنامه نویسی متلب استفاده شده است.
نتایجپارامترهای به کاررفته در این پژوهش جزء پارامترهای دسته بندی می باشد که شامل: نرخ دسته بندی، صحت، فراخوان و F سنجش می باشند که به ترتیب مقادیر 90/7، 90/2، 91/5 و 90/8 به دست آمده است.
نتیجه گیرینتایج نشان می دهند که مدل پیشنهادی قادر خواهد بود که با درصد بالایی احتمال وقوع سکته را پیش بینی کند
کلید واژگان: سکته قلبی، تشخیص بیماری، مدل هوشمند، یادگیری ماشین، ماشین بردار پشتیبانIntroductionToday, heart attack is one of the most common causes of death in adults all over the world. According to the announcement of the Ministry of Health, Treatment, and Medical Education, 11 to 15 percent of deaths in Iran are caused by heart attacks, and in the world, Iran has the highest number of deaths due to heart disease in 2022. It has been estimated that deaths from these diseases will increase to 20 million people. Therefore, predicting this disease is one of the most challenging topics in the medical field, and today most prediction systems are created using artificial intelligence and machine learning algorithms.
MethodThis applied and descriptive research was conducted in 2022 using the information of 600 people who referred to Peymaniyeh and Motahari hospitals in Jahrom city. In this research, data were collected based on the available sources from both hospitals. To implement and evaluate the results, MATLAB programming language was used.
ResultsThe parameters used in this research are among the classification parameters, including classification rate, precision, recall, and F-measure, which were obtained as 90.7, 90.2, 91.5, and 90.8, respectively.
ConclusionThe results show that the proposed model will be able to predict the probability of stroke with a high percentage.
Keywords: Heart attack, Disease prediction, Intelligent model, Machine learning, Support vector machine -
هدف
بیماری های تیرویید در سراسر جهان گسترده شده است. مطالعات تحقیقاتی مختلف نشان می دهد تعداد زیادی از افراد در جوامع مختلف به این بیماری دچار میشوند. همچنین، تشخیص به موقع این بیماری و کنترل آن می تواند جلوی پیشرفت آن را بگیرد و پیامدهای ناشی از آن را کاهش دهد. در این راستا، مطالعه پیش رو یک الگوریتم ترکیبی تکاملی حاصل از آمیختگی الگوریتم بهینه سازی ازدحام ذرات و شبکه عصبی مصنوعی جهت تشخیص به موقع این بیماری ارایه کرده است.
روش هاپژوهش حاضر از نوع کاربردی پیمایشی است که در سال 1401 انجام شده است. در اینجا از روش مجموعه داده های اولیه برای جمع آوری داده ها استفاده شد. جامعه آماری موردنظر شامل 400 مورد اطلاعات ثبت شده بیماران از سال 1400 تا 1401 در تحقیقی میدانی از افراد مراجعه کننده به بیمارستان امام رضا (ع) شهرستان لارستان است. از این میان، 300 نفر دارای بیماری تیرویید و 100 نفر سالم بودند. در این پژوهش برای پیاده سازی مدل یادگیری پیشنهادی و همچنین تجزیه وتحلیل و بررسی نتایج از نرم افزار متلب استفاده شده است.
یافته هانتایج نشان داد، ضریب رگرسیون مدل پیشنهادی در 3 حالت آموزش، اعتبارسنجی و تست به ترتیب دارای مقادیر (0/98، 0/97 و 0/95)، منحی راک برابر با 0/98، میزان خطا برابر با 0/004 و دقت کل سیستم برابر با 96 درصد می باشد.
نتیجه گیریباتوجه به نتایج حاصله، مدل پیشنهادی می تواند با دقت قابل قبولی، پیش بینی بیماری تیرویید در افراد را انجام دهد و باعث کاهش میزان اشتباه شود. همچنین از این مدل می توان به عنوان یک ابزار مفید در پیش بینی تیرویید به کار برده شود.
کلید واژگان: پیش بینی، بیماری تیروئید، تشخیص بیماری، الگوریتم تکاملی، مدل یادگیرObjectiveThyroid diseases are common disorders worldwide. The timely diagnosis and control of this disease can prevent its progression and reduce associated complications. This study proposes a novel hybrid method by combining particle swarm optimization (PSO) algorithm and artificial neural network (ANN) for the timely detection of thyroid disorders.
MethodsThis is an applied survey study, conducted in 2022. In this study, the target population consisted of the data of 400 patients referred to Imam Reza Hospital in Lar County, Iran from 2021 to 2022 which were collected by field study. Among them, 300 had thyroid disease and 100 were healthy. MATLAB software was used for implementing the proposed learning model and analyzing the results.
ResultsThe regression coefficient of the proposed model in there modes of training, validation, and testing were 0.98, 0.97, and 0.95, respectively. The area under the ROC curve was 0.98, the error rate was 0.004, and the overall accuracy was 96%.
ConclusionThe proposed model can distinguish patients with thyroid disease from healthy individuals with acceptable accuracy and low errors. This model can be used as a useful tool in predicting thyroid diseases.
Keywords: Prediction, Thyroid disease, Disease diagnosis, Evolutionary algorithm, Learning model -
هدف
به دلیل وجود حجم عظیمی از داده ها در مورد افراد مبتلا به بیماری دیابت، امکان استخراج عوامل پیش بینی بیماری دیابت توسط متخصصین با استفاده از استخراج دانش از این حجم عظیم داده، امکان پذیر نخواهد بود. علم داده کاوی به کمک روش های موثر خود با هدف کشف پیش بینی بیماری ها به این مهم دست یافته و سبب کمک به پزشکان و کادر درمان در پیش بینی و تشخیص بیماری ها شده است.
روش هاپژوهش حاضر از نوع کاربردی پیمایشی در سال 1399 انجام شده است. در این پژوهش، از مجموعه داده میرشریف و همکاران استفاده شده است. در اینجا از روش مجموعه داده های اولیه برای جمع آوری داده ها استفاده شده و جامعه آماری مورد نظر شامل 105 مورد اطلاعات ثبت شده بیماران از سال 1390 تا 1393 در تحقیقی میدانی از کلینیک پزشکی تخصصی زنان در تهران است که از این میان، 80 نفر انسان سالم و 25 نفر انسان مبتلا به بیماری دیابت بارداری بودند. از نرم افزار متلب جهت تجزیه و تحلیل و بررسی نتایج استفاده شده است.
یافته هانتایج و مقایسه های انجام گرفته در این پژوهش، نشان از کارایی بالای روش پیشنهادی در پیش بینی بیماران دیابت بارداری دارد. همچنین دقت روش پیشنهادی برابر 93 درصد حاصل شد که در مقایسه با روش میرشریف و همکاران بر روی همین مجموعه داده از دقت بیشتری برخوردار بود.
نتیجه گیریبه دلیل اینکه سیستم پیشنهادی عملکرد مطلوبی داشته و ازلحاظ دقت در مجموعه داده مورد نظر نسبت به روش های قبلی به عدد 93/2 درصد رسیده است. پس می توان از رویکرد هوشمند و بدون نظارت، جهت تشخیص بیماری دیابت بارداری استفاده کرد.
کلید واژگان: پیش بینی دیابت بارداری، الگوریتم هوشمند، شبکه عصبی مصنوعیObjectiveDue to the large amount of data for people with diabetes, it is very difficult to extract the predictors of diabetes. Data mining science can discover the predictors of diseases and help physicians and medical staff in predicting and diagnosing diseases.
MethodsThis is an applied survey study conducted in 2020 using the dataset used by Mirsharif et al. The study population includes 105 cases with data registered from 2011 to 2014 in a specialized women’s medical center in Tehran, of which 80 were for healthy women and 25 were for women with gestational diabetes. MATLAB software was used to analyze and evaluate the results.
ResultsThe results and comparisons showed the high efficiency of the proposed method in predicting gestational diabetes. The accuracy of the proposed method was 93%, which was more accurate than the method proposed by Mirsharif et al.
ConclusionThe proposed prediction method has good performance and high accuracy compared to previous methods. Therefore, this intelligent and unsupervised method can be used to predict gestational diabetes.
Keywords: Gestational diabetes, Genetic algorithm, Artificial neural network -
زمینه و هدف
امروزه در دانش پزشکی، روش های تشخیص علایم و کشف بیماری ها، بسیار وسیع و گسترده شده است. درنتیجه، تحلیل کلیه عوامل دخیل در یک بیماری، اغلب چالش برانگیز است؛ بنابراین به یک سیستم مکانیزه برای کمک به کشف قوانین، شناسایی الگوهای موجود و پیش بینی رخ دادهای آینده، کاملا احساس می شود. در این تحقیق قصد داریم با استفاده از یک الگوریتم فراابتکاری چندهدفه، روشی را ارایه کنیم که بتواند توالی های تنظیمی (Regulatory Elements) با طول متغیر از ژنوم را کشف و استخراج کرده و برهم کنش های بین آ ن ها را نیز شمارش کند. درواقع این توالی تنظیمی می توانند نقش قابل توجهی در بروز و تشدید بیماری سرطان ایفا کنند.
مواد و روش هادر این پژوهش، از یک متد پیشنهادی جهت کشف توالی تنظیمی در ژنوم بیمار مبتلا به سرطان سینه استفاده شده است. متد پیشنهادی در نرم افزار Matlab پیاده سازی شده است. همچنین، جهت سنجش عملکرد و کارایی روش پیشنهادی، الگوریتم موردنظر بر روی مجموعه داده های Hi-C (Hi-C Dataset) مربوط به بیماران مبتلا به سرطان سینه در دو رده سلول خونی 12878GM و +34CD معرفی شده توسط میفسود و همکاران، اجرا گردید.
نتایجاجرای روش پیشنهادی با روش HiCUP مورد مقایسه قرار گرفت. نتایج نشان می دهند که روش MSARE در کشف توالی های تنظیمی، عملکرد بهتری را نسبت به روش HiCUP داشته است.
نتیجه گیریدر این پژوهش، بررسی های تجربی نشان می دهند که دو پروموتر 6BLC و HOTTIP کشف شده توسط روش پیشنهادی در هر دو سلول خونی 12878GM و +34CD در بروز و تشدید بیماری سرطان سینه تاثیر معنی داری داشته اند.
کلید واژگان: توالی تنظیمی، سرطان سینه، HiCUP، الگوریتم فراابتکاری، پروموتر BLC6، پروموتر HOTTIPBackground & ObjectiveNowadays, in medical sciences, the amount of data on symptoms of people affected with various illnesses on one hand, and finding assistive techniques for the diagnosis of those diseases on the other, has been widespread. Consequently, the analysis and consideration of all factors involved in a disease are often challenging. Thus, a mechanized system to help discover the rules, identify patterns, and predict future events is absolutely needed. In this research, we intend to use a multi-objective algorithm to provide a method capable of detecting, extract sequences of variable-length from the genome, and count the interactions among them. In fact, these regulatory elements could play a significant role in the incidence and exacerbation of cancer.
Material & MethodsIn this research, a proposed method for the detection of regulatory elements in the genome of a breast cancer patient has been used. The proposed method is implemented in MATLAB software. Also, to measure the performance and effectiveness of the suggested method, the proposed algorithm is implemented on HiC dataset, regarding patients with breast cancer in two blood cells GM12878 and CD34+ introduced by Mifsud et al.
ResultsThe results of implementing the proposed method are compared with the HiCUP method. The results show that the MSARE method has a better performance in detecting regulatory elements compared to the HiCUP method.
ConclusionExperimental studies have shown that the two promoters BLC6 and HOTTIP discovered by the proposed method have had a significant effect on the incidence and severity of breast cancer in both blood cells GM12878 and CD34+.
Keywords: Regulatory Elements, Meta-Heuristic Algorithm, BLC6 Promoter, HOTTIP Promote -
مقدمه
سرطان به عنوان یکی از شایع ترین انواع بیماری ها، سلامت بسیاری از انسان ها را تحت تاثیر قرار داده است. هدف اصلی در این مقاله، ارائه یک الگوریتم تکاملی چندهدفه می باشد. این الگوریتم، با استفاده از اطلاعات برهم کنش بین ژنومی در کروموزوم های افراد مبتلا به سرطان، ناحیه های بالقوه پروموتر/انهنسر را کشف و استخراج می کند. استخراج صحیح این ناحیه ها می تواند به علم پزشکی در تشخیص زودهنگام بیماری سرطان کمک کند.
روشپژوهش حاضر از نوع کاربردی و توصیفی می باشد. در این پژوهش از مجموعه داده Hi-C شامل اطلاعات مربوط به برهم کنش های بین ژنومی، در سلول GM12878 استفاده شد. جهت کشف و استخراج پروموتر/انهنسر های بالقوه از الگوریتمی تکاملی و چندهدفه استفاده شد. الگوریتم مذکور با استفاده از نرم افزار متلب پیاده سازی گردید. همچنین کارایی این الگوریتم نیز، با استفاده از دو معیار مورد ارزیابی قرار گرفت. معیار اول، تابع تناسبی است که میزان برهم کنش های بین ژنومی نسبت به طول نواحی ژنوم را محاسبه می کند و معیار دوم تعداد پروموتر/انهنسر های بالقوه کشف شده می باشد.
نتایجنتایج و مقایسه های انجام گرفته در این پژوهش، نشان از کارایی بالا و بهینه بودن روش پیشنهادی در کشف پروموتر/انهنسر با طول متغیر نسبت به روش HiC-Pro می باشد؛ بنابراین روش پیشنهادی می تواند پروموتر/انهنسر های بالقوه ای را کشف کند که روش HiC-Pro قادر به کشف آن نیست.
نتیجه گیریبا توجه به نتایج به دست آمده، الگوریتم پیشنهادی قادر به کشف و استخراج بهینه پروموتر/انهنسر های بالقوه با طول متغیر می باشد، که می تواند در تشخیص زودهنگام سرطان کمک شایانی به علم پزشکی کند.
کلید واژگان: پروموتر، انهسر، مجموعه داده Hi-C، الگوریتم شبیه سازی تبرید چند هدفه MOSA، روش HiC-ProIntroductionCancer, as one of the most common diseases, has influenced the health of many people. The main aim of this study was to present a multi-objective evolutionary algorithm. The algorithm is capable of detecting and extracting potentially promoter/enhancer areas in the chromosomes of the affected people using the information concerning inter-genomic interactions. The correct extraction of these areas can help early diagnosis of cancer.
MethodsIn this applied and descriptive research, Hi-C data set including information on inter-genomic interactions in the GM12878 cell was used. Multi-objective evolutionary algorithm was used in order to discover and extract potential promoter /enhancer interactions. The mentioned algorithm was implemented using MATLAB software. Furthermore, the efficiency of this algorithm was evaluated using two criteria. The first criterion is a proportional function that calculates the magnitude of inter-genomic interactions relative to the length of the genome regions; and the second criterion is the number of discovered potential promoters/enhancers.
ResultsThe results and comparisons showed higher efficiency and optimality of the suggested method in discovering promoter/Enhancer interactions with variable length in comparison to HiC-Pro method. Therefore, the suggested method is able to discover the potential promoter/ enhancer interactions that cannot be discovered by HiC-Pro method.
ConclusionThe suggested algorithm is able to optimally discover and extract potential promoter/ enhancer with variable length. This is a great help in medical science for early diagnosis of cancer
Keywords: Promoter, Enhancer, Hi-C Dataset, Multi-Objective Simulation Annealing Algorithm (MOSA), HiC- Pro Method
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.