TY  - BOOK
AU  - Alshimaa Salah-Eldeen Abd-Elghany Teaima,
AU  - Manal Abdel Wahed Abdel Fattah
AU  - Sherif Ahmed Sami Hafez
TI  - Multimodal-based classification for diagnosis of alzheimer’s disease
U1  - 610.28 
PY  - 2024///
KW  - Biomedical Engineering
KW  - qrmak
KW  - Alzheimer disease
KW  -  Machine learning
KW  - Deep learning
KW  - Regression model
KW  - LSTM
N1  - Thesis (M.Sc)-Cairo University, 2024; Bibliography: pages 64-68; Issues also as CD
N2  - Alzheimer's Disease (AD) poses a significant global health challenge, characterized by progressive cognitive decline and memory loss. Timely and accurate diagnosis is crucial for effective intervention and patient care. This thesis employs advanced machine learning and deep learning techniques to improve early diagnosis and progression prediction of AD. Utilizing the comprehensive Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, comprising longitudinal observations of 1737 subjects, rigorous preprocessing ensures data quality, addressing challenges such as missing data and time series analysis. The research is motivated by integrating diverse data modalities, including clinical, neuroimaging, and genetic data, to develop a holistic understanding of AD progression. By categorizing patients into Cognitive Normal (CN), Mild Cognitive Impairment (MCI), and AD stages, and employing various machine learning algorithms, this thesis aims to establish a robust diagnostic system and forecast AD progression. Additionally, the investigation explores the potential of Long Short-Term Memory (LSTM)-specific Recurrent Neural Network (RNN) models in capturing sequential dependencies for accurate AD diagnosis and progression prediction; مرض الزهايمر (AD) يشكل تحدياً صحياً عالمياً مهماً، حيث يصاحبه تدهور وظائف الإدراك التدريجي وفقدان الذاكرة. تستخدم هذه الأطروحة تقنيات التعلم الآلي والتعلم العميق لتحسين التشخيص المبكر وتوقع تطور مرض الزهايمر، من خلال استخدام مجموعة البيانات الشاملة لمبادرة التصوير العصبي لمرض الزهايمر (ADNI) وتصنيف المرضى إلى مراحل مختلفة. تظهر النتائج فعالية عالية في التنبؤ بتطور المرض، حيث تم تحقيق دقة قصوى بنسبة 98.5% في التصنيف باستخدام الخوارزميات المختلفة. كما تم تقييم الأداء باستخدام الشبكات العصبية والانحدار، والتي أظهرت قدرة ممتازة على التنبؤ بنتائج الاختبارات المختلفة. من خلال تحليل الانحدار، تم تقييم ثلاثة نماذج للتنبؤ بنتائج الاختبارات المختلفة. تظهر الشبكات العصبية أداءً متفوقًا بأعلى قيم لمعامل الارتباط (R^2) لنتائج الاختبارات المختلفة، في حين أن معدل الزيادة في التحسين يتميز في تنبؤ نتائج الاختبارات بالتحليل النقدي البسيط (R^2 من 0.88). فيما يتعلق بالتشخيص، تم تقييم أربعة نماذج للتصنيف، وحققت أقرب الجيران أعلى دقة متوسطة عبر جميع التشخيصات (90.25%).استكشاف نماذج الذاكرة القصيرة الطويلة المدي (LSTM) أيضاً أظهر قدرة عالية على التنبؤ بتطور المرض بدقة تصنيفية تصل إلى 77.1%
ER  -