Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

406
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

117
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله همایش

عنوان

ارائه مدل یادگیری عمیق CNN با هدف بهبود دقت پیش بینی خطر بیماری پرفشاری خون بر مبنای SNP

صفحات

 صفحه شروع | صفحه پایان

چکیده

 فشارخون عامل قابل اصلاح برای بیماری های قلبی عروقی مانند بیماری اسکمیک قلب است که از دلایلی اصلی مرگ در سراسر جهان است که با نام کشنده خاموش معرفی می شود. از این رو, روش هایی که می توانند به طور دقیق خطر ابتلا به فشار خون بالا را در سنین پایین آشکار کنند, ضروری هستند. مدل های معمول پیش بینی خطر بیماری در درجه اول مبتنی بر عامل های شیوه زندگی است. اخیراً, در نظر گرفتن خطر عامل های ژنتیکی ازجمله SNPهای مرتبط با بیماری همراه با مدل سازی خطر, دقت پیش بینی فردی بیماری ها را بهبود بخشیده است. SNP یک تغییر ژنتیکی کوچک در DNA است و رایج ترین نوع تنوع ژنتیکی هست که در میان افراد رخ می دهد. مدل های مختلفی که از نشانگر های ژنومی جهت پیش بینی بیماری فشار خون استفاده می کنند شامل چهار رویکرد آماری, فرا تحلیل, یادگیری ماشین و مدل بالینی هستند. مهم ترین مساله در این مدل ها تعداد بالای SNP های ورودی و ارتباط این SNP ها با یکدیگر است. در مطالعه حاضر از روش مبتنی بر یادگیری عمیق با رویکرد CNN برای استفاده از SNPهای متعدد فشار خون در یک مطالعه کوهورت طولی استفاده و برای مقایسه نیز PRS با استفاده از دو نرم افزار plink و gcta64 محاسبه شده است. در ابتدا دادهای ژنومی تبدیل به تصویر شده و وارد مدل CNN می شود که لایه های آن شامل لایه پیچش, لایه ادغام و لایه کاملاً متصل و در نهایت لایه خروجی می باشد. داده های تحقیق شامل سه بخش داده ژنومی, سن و داده های طولی فنوتیپ فشارخون مبتنی بر مطالعه ژنتیک قلبی-متابولیک تهران است. برای مقایسه کارایی مدل از AUC استفاده شده است که مدل CNN با مقدار AUC 0. 877, عملکرد بهتری نسبت به PRS و همچنین آخرین مدل های ارائه شده در ادبیات موضوع را نشان می دهد.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    لاجوردی، سیدعلی، کارگری، مهرداد، دانش پور، مریم السادات، و اکبرزاده، مهدی. (1400). ارائه مدل یادگیری عمیق CNN با هدف بهبود دقت پیش بینی خطر بیماری پرفشاری خون بر مبنای SNP. کنفرانس بین المللی پژوهش های کاربردی در کامپیوتر، برق و فناوری اطلاعات. SID. https://sid.ir/paper/901942/fa

    Vancouver: کپی

    لاجوردی سیدعلی، کارگری مهرداد، دانش پور مریم السادات، اکبرزاده مهدی. ارائه مدل یادگیری عمیق CNN با هدف بهبود دقت پیش بینی خطر بیماری پرفشاری خون بر مبنای SNP. 1400. Available from: https://sid.ir/paper/901942/fa

    IEEE: کپی

    سیدعلی لاجوردی، مهرداد کارگری، مریم السادات دانش پور، و مهدی اکبرزاده، “ارائه مدل یادگیری عمیق CNN با هدف بهبود دقت پیش بینی خطر بیماری پرفشاری خون بر مبنای SNP،” presented at the کنفرانس بین المللی پژوهش های کاربردی در کامپیوتر، برق و فناوری اطلاعات. 1400، [Online]. Available: https://sid.ir/paper/901942/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

    طرح های مرتبط

    کارگاه های پیشنهادی






    بازگشت به بالا