پیش‌بینی تبدیل سندروم ایزوله بالینی به مولتیپل اسکلروزیس با استفاده از الگوریتم‌های یادگیری ماشین [Persian Thesis]

مهرداد شعبانی

شناسگر رکورد: ۵۲۱۴۱
رشته تحصیلی: هوش مصنوعی و رباتیکز
عنوان: پیش‌بینی تبدیل سندروم ایزوله بالینی به مولتیپل اسکلروزیس با استفاده از الگوریتم‌های یادگیری ماشین
نويسنده: مهرداد شعبانی
استاد راهنما : دکتر بابک مجیدی
مقطع تحصیلی : کارشناسی ارشد
دانشگاه : خاتم
تاریخ دفاع : ۱۴۰۴
چکیده: مولتیپل اسکلروزیس (MS) یکی از بیماری‌های مزمن، خودایمنی و تحلیل‌برنده سیستم عصبی مرکزی است که تشخیص زودهنگام آن نقش حیاتی در بهبود کیفیت زندگی بیماران دارد. سندرم ایزوله بالینی (CIS) به‌عنوان مرحله پیش‌بالینی MS شناخته می‌شود که در آن بیماران تنها یک حمله نورولوژیک را تجربه کرده‌اند. در این پژوهش، تلاش شد با بهره‌گیری از الگوریتم‌های یادگیری ماشین کلاسیک و یادگیری عمیق، مدلی هوشمند جهت پیش‌بینی احتمال تبدیل CIS به MS ارائه گردد. برای این منظور، داده‌های MRI و ویژگی‌های بالینی بیش از ۲۰۰۰ بیمار مورد استفاده قرار گرفت.در گام نخست، مدل‌های کلاسیک از جمله Logistic Regression، SVM، Random Forest و XGBoost اجرا شدند. سپس مدل‌های عمیق شامل CNN، ۳D-CNN، ترکیب CNN+LSTM، Vision Transformer (ViT) و Swin Transformer توسعه و ارزیابی گردیدند. نتایج نشان داد که مدل Swin Transformer با میانگین عملکردی برابر با ۰.۹۳۹ براساس میانگین شاخص‌های دقت، F۱، حساسیت، ویژگی، و AUC، بالاترین عملکرد را داشته و در پیش‌بینی تبدیل CIS به MS از دقت بالایی برخوردار است. مدل‌های ViT و CNN+LSTM نیز نتایج قابل‌توجهی از خود نشان دادند.تحلیل‌های زمان اجرا و مصرف منابع محاسباتی نیز نشان داد که مدل‌های کلاسیک بسیار سریع اما نسبتاً کم‌دقت‌اند، در حالی‌که مدل‌های پیشرفته یادگیری عمیق دقت بالا را با هزینه محاسباتی سنگین‌تر به‌دست می‌دهند. در نهایت، مدل Swin Transformer به‌عنوان گزینه بهینه در کاربردهای بالینی پیشنهاد شد؛ مشروط بر آنکه منابع سخت‌افزاری کافی فراهم باشد. این تحقیق نشان می‌دهد که بهره‌گیری از یادگیری عمیق و تحلیل‌های مبتنی‌بر تصویر MRI می‌تواند به ابزارهای پشتیبان تصمیم‌گیری در کلینیک‌های نورولوژی منجر شده و راه را برای درمان شخصی‌سازی‌شده و مداخلات زودهنگام هموار سازد.
واژگان کلیدی: CIS، MS، MRI، Swin Transformer، Grad-CAM
Register Number Version Volume Part Reference Call Number lended Date Back Description
284794 1
Copyright 2025 by Payam Hannan co ltd. PayamLib.com