1377

COM3 141

Imad Alanbari

مدل سازي پيشرفت بيماري آلزايمر با قرآيند هاي عصبي

دكتري

1404/06/05

132 p .

Dr. Hossein Karshenas , Dr. Bijan Shoushtarian

بيماري آلزايمر , مدل‌سازي پيشرفت بيماري , فرآيندهاي عصبي , جريان‌هاي نرمال‌سازي

Alzheimer’s disease (AD) presents a significant global health challenge, necessitating accurate an‎d early prediction methods for effective intervention an‎d treatment planning. However, traditional models designed for prediction classification face several challenges, including han‎dling complex data, which neglects many data points for the diagnosis. In this thesis, novel approaches for the prediction of AD are proposed, which are composed of two models. In the first model, we introduced a framework that integrates Neural Process (NPs) with a transformer encoder to model the complex temporal dependencies inherent in longitudinal health data, where our model learns to capture subtle patterns an‎d variations indicative of disease progression. The novelty of our approach lies in the fusion of NPs, renowned for their ability to model stochastic processes, with transformer architectures, which are known for their capacity to capture long-range dependencies. This combination enables our model to effectively adapt to individual patient trajectories an‎d generalize across diverse populations. While the second model involves integration of the previous one which is NPs an‎d a transformer encoder, with the Normalizing Flow (NF), this model is able to combine the effect of the previous one while the addition of the NF made the model able to transform the Gaussian distributions from simple to complex distributions, allowing them to model a wide range of data distributions. We trained our proposed models with the Alzheimer’s Disease Prediction of Longitudinal Evolution dataset (TADPOLE), which contains three classes: Cognitively Normal (CN), Mild Cognitive Impairment (MCI), an‎d AD. The experimental results for the first model demonstrate that the proposed model enhances the prediction of these models in terms of mAUC, Recall, an‎d Precision by 0.937±0.014, 0.920± 0.010, an‎d 0.923 ±0.009, respectively. The addition of NF to the previous model enhances these terms to become mAUC, Precision, an‎d Recall, 0.965 ± 0.006, 0.929 ± 0.007, an‎d 0.929 ± 0.006, respectively. These findings prove the efficacy of the proposed framework in accurately predicting the progression of AD.

بيماري آلزايمر (AD) يك چالش بزرگ بهداشتي جهاني است كه نيازمند روش‌هاي پيش‌بيني دقيق و زودهنگام براي مداخله و برنامه‌ريزي درماني مؤثر مي‌باشد. با اين حال، مدل‌هاي سنتي طراحي‌شده براي طبقه‌بندي پيش‌بيني با چالش‌هاي متعددي مواجه هستند، از جمله مديريت داده‌هاي پيچيده كه بسياري از نقاط داده را براي تشخيص ناديده مي‌گيرد. در اين پايان‌نامه، رويكردهاي نويني براي پيش‌بيني بيماري آلزايمر پيشنهاد شده است كه شامل دو مدل مي‌باشد. در مدل اول، ما يك چارچوب معرفي كرديم كه فرآيندهاي عصبي (NPs) را با يك كدگذار ترنسفورمر تركيب مي‌كند تا وابستگي‌هاي زماني پيچيده موجود در داده‌هاي بهداشت طولي را مدل‌سازي كند، جايي كه مدل ما ياد مي‌گيرد تا الگوها و تغييرات ظريف نشان‌دهنده پيشرفت بيماري را شناسايي كند. نوآوري رويكرد ما در تركيب NPs، كه به خاطر توانايي‌شان در مدل‌سازي فرآيندهاي تصادفي شناخته شده‌اند، با معماري‌هاي ترنسفورمر است كه به خاطر ظرفيت‌شان در شناسايي وابستگي‌هاي بلندمدت معروف هستند. اين تركيب به مدل ما اين امكان را مي‌دهد كه به طور مؤثر به مسيرهاي فردي بيماران سازگار شود و در بين جمعيت‌هاي مختلف تعميم يابد. در حالي كه مدل دوم شامل ادغام مدل قبلي يعني NPs و كدگذار ترنسفورمر با جريان نرمال‌سازي (NF) است، اين مدل قادر است اثر مدل قبلي را تركيب كند و افزودن NF باعث مي‌شود كه مدل توانايي تبديل توزيع‌هاي گوسي از توزيع‌هاي ساده به توزيع‌هاي پيچيده را داشته باشد و به آن اجازه مي‌دهد تا دامنه وسيعي از توزيع‌هاي داده را مدل‌سازي كند. ما مدل‌هاي پيشنهادي خود را با مجموعه داده پيش‌بيني بيماري آلزايمر از تكامل طولي (TADPOLE) آموزش داديم كه شامل سه كلاس است: طبيعي از نظر شناختي (CN)، اختلال شناختي خفيف (MCI)، و AD. نتايج تجربي براي مدل اول نشان مي‌دهد كه مدل پيشنهادي پيش‌بيني اين مدل‌ها را از نظر mAUC، Recall و Precision به ترتيب به 0.937±0.014، 0.920±0.010 و 0.923±0.009 افزايش مي‌دهد. افزودن NF به مدل قبلي اين مقادير را به mAUC، Precision و Recall به 0.965±0.006، 0.929±0.007 و 0.929±0.006 افزايش مي‌دهد. اين يافته‌ها اثربخشي چارچوب پيشنهادي را در پيش‌بيني دقيق پيشرفت بيماري آلزايمر ثابت مي‌كند.

عماد الانباري

993635002

مهندسي كامپيوتر - هوش مصنوعي

مهندسي هوش مصنوعي

139813

139814

7

139815

139816

139817

139818

139819

139820

139821

139822

139823

139824

Alzheimer ’s disease , Disease progression modeling , Neural processes , Normalizing flows