ارائه‌ کننده: نسترن حسن زادهاستاد راهنما: دکتر محمد صنیعی آباده استاد مشاور: دکتر نصراله مقدم چرکریاستاد داور داخلی: دکتر فوآد قادری،   دکتر هدیه ساجدیتاریخ: ۱۴۰۳/۱۲/۱۸ ساعت: ۹ تا ۱۲ مکان: دانشکده مهندسی کامپیوترچکیده: در این تحقیق، یک روش جدید مبتنی بر یادگیری ماشین برای پیش‌ بینی سن مغز با استفاده از داده‌ های تصویربرداری fMRI و شبکه عصبی گرافی  به همراه الگوریتم ژنتیک و تصحیح بایاس سن مغز ارائه شده است. هدف این روش بهبود دقت پیش‌ بینی سن مغز و شناسایی شبکه‌ های کلیدی مغزی است که تأثیر بیشتری در فرآیند پیری دارند. در ابتدا، داده‌ های fMRI از مجموعه داده‌ های HCP مورد پردازش و پیش‌ بینی سن مغز با استفاده از شبکه عصبی گرافی انجام شد. سپس، برای افزایش دقت پیش‌ بینی‌ ها، تصحیح بایاس سن مغز اعمال شد تا سوگیری‌ هایی که در پیش‌ بینی سن مغز در افراد جوان‌ تر و مسن‌ تر وجود دارد، تصحیح شوند. در گام بعدی، از الگوریتم ژنتیک برای شناسایی نواحی مغزی مؤثر در پیش‌ بینی سن مغز استفاده شد. این الگوریتم به‌ طور هوشمندانه نواحی مغزی را جستجو کرده و زیرمجموعه‌ ای از شبکه‌ ها را انتخاب می‌ کند که بیشترین تأثیر را بر پیش‌ بینی سن دارند. نتایج نشان داد که این روش ترکیبی، علاوه بر بهبود دقت پیش‌ بینی سن مغز، توانسته است نواحی مغزی کلیدی را شناسایی کند که در فرآیند پیری نقش دارند. الگوریتم ژنتیک به‌ طور مؤثر توانست تعداد نواحی مؤثر را کاهش دهد و باعث شد که مدل با کمترین از دست دادن دقت، سریع‌ تر به نتیجه برسد. این تحقیق به‌ ویژه بر روی بهبود دقت پیش‌ بینی سن مغز از طریق تکنیک‌ های اصلاح بایاس سن مغز و حذف تأثیر جنسیت تمرکز کرده است، که باعث می‌ شود مدل توانایی پیش‌ بینی دقیق‌ تر و مورد اعتمادی داشته باشد و از تأثیرات متغیرهای دیگر مانند جنسیت جلوگیری کند. نتایج این تحقیق می‌ تواند برای پزشکان و محققان در حوزه‌ های مختلف پزشکی و علوم عصبی مفید باشد. با استفاده از این مدل پیشرفته، پزشکان می‌ توانند به‌ طور دقیق‌ تری سن مغز افراد را پیش‌ بینی کنند و از آن برای تشخیص بیماری‌ ها، ارزیابی وضعیت مغز و انجام تحقیقات علمی در زمینه پیری و سلامت مغز استفاده کنند. این روش همچنین می‌ تواند به بهبود تشخیص بیماری‌ های مرتبط با مغز مانند آلزایمر، پارکینسون و دیگر اختلالات عصبی کمک کند.