fa تشخیص بیماری پریودنتال با استفاده از الگوریتم لونبرگ- مارکواردت پریو Perio مروری Review article <div style="border:none;border-bottom:solid windowtext 1.0pt;padding:0cm 0cm 1.0pt 0cm;"><strong><span style="font-size:14px;"><span style="font-family:b nazanin;">خلاصه</span><span dir="LTR"><span style="font-family:times new roman bold,serif;">:</span></span><span style="font-family:b nazanin;"></span><br> <span style="font-family:b nazanin;">سابقه و هدف: بیماری پریودنتال، یکی از شایع</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ترین بیماری</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">های عفونی دهان است. تشخیص صحیح و زودهنگام آن می</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">تواند موجب کاهش میزان عوارض ناخوشایند گردد. هدف از این مطالعه بررسی دقت و کارایی شبکه</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی عصبی مصنوعی در تشخیص بیماری پریودنتال است</span><span dir="LTR"><span style="font-family:times new roman bold,serif;">.</span></span><span style="font-family:b nazanin;"></span><br> <span style="font-family:b nazanin;">مواد و روش</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ها: این مطالعه</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی تشخیصی، در بازه</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی زمانی سال</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">های 94 و 95 از بررسی پرونده</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی پزشکی 230 مراجعه کننده به بخش پریودانتیکس دانشکده</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی دندانپزشکی زاهدان انجام شد. 5 متغیر سن، جنسیت، شاخص پلاک دندانی</span> <span dir="LTR">)</span><span dir="LTR">PI</span><span dir="LTR">)</span><span style="font-family:b nazanin;">، عمق پروبینگ</span>&nbsp;(PPD<span dir="LTR">(</span><span style="font-family:b nazanin;">و شاخص از دست دادن چسبندگی</span>&nbsp; (CAL)&nbsp;<span style="font-family:b nazanin;">در این افراد بررسی شد. در مدل شبکه</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی عصبی مصنوعی پیش</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">خور با الگوریتم پس</span> <span style="font-family:b nazanin;">انتشار خطا از تابع آموزشی لونبرگ</span> <span style="font-family:b nazanin;">-مارکواردت استفاده شد. ارزش پیش</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">بینی مثبت و ارزش پیش</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;&shy;</span></span><span style="font-family:b nazanin;">بینی منفی جهت ارزیابی شبکه در مرحله</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی آزمون مورد استفاده قرار گرفت</span><span dir="LTR"><span style="font-family:times new roman bold,serif;">.</span></span><span style="font-family:b nazanin;"></span><br> <span style="font-family:b nazanin;">یافته</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ها: نتایج نشان دادن که شبکه</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ی پس</span> <span style="font-family:b nazanin;">انتشار خطا با&nbsp; ساختار 5-20-4-2 و الگوریتم لونبرگ-مارکواردت و استفاده از توابع انتقال یکسان در تمام لایه</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">ها (تانژانت هایپربولیک سیگموئیدی) می</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">تواند به عنوان تابع آموزشی کارا در تشخیص بیماری پریودنتال مورد استفاده قرار گیرد. مقادیر ارزش پیش</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">بینی مثبت و منفی در مرحله ی آزمون به ترتیب&nbsp; 94/7 و 80 درصد به دست آمد. خروجی نرم افزار مقادیر مناسبی را برای زمان (5870/ 4 ثانیه) و رگرسیون در فاز آزمون،آزمایش و کل (7475/. ، 9749/ 0 و 9254/ 0) به دست آورد</span><span dir="LTR"><span style="font-family:times new roman bold,serif;">.</span></span><span style="font-family:b nazanin;"></span><br> <span style="font-family:b nazanin;">نتیجه</span><span dir="LTR"><span style="font-family:calibri,sans-serif;">&shy;</span></span><span style="font-family:b nazanin;">گیری: به نظر می&shy;رسد استفاده از شبکه عصبی مصنوعی می&shy;تواند در تشخیص بیماری&shy;های پریودنتال در حداقل زمان کمک کننده باشد.</span></span></strong></div> <strong>Abstract:</strong><br> &nbsp;<br> <strong>Background: </strong>Periodontal disease is one of the most common infectious diseases of the mouth<strong>. </strong>Correct and early diagnosis can reduce the incidence of adverse effects. The aim of this study was to evaluate the accuracy and efficiency of artificial neural network in the diagnosis of periodontal disease.<br> <strong>Material and Methods:</strong> The Diagnostic Study were performed from 230 periodontal disease cases in Zahedan Dentistry School in the period of time between 2015 and 2016. 5 variables including age, gender, plaque index, probing pocket depth, and clinical attachment loss index were evaluated in these people. The artificial neural network model with propagation algorithm of Levenberg-Marquardt training function was used. Positive predictive value and negative predictive value were used to evaluate the network at the test stage.<br> <strong>Result: </strong>The results show that the back propagation network with the structure of 5-20-4-2 and the Levenberg-Marquardt algorithm and the use of the same transfer functions in all layers (sigmoid hyperbolic tangent) can be used as an efficient teaching function in Diagnosis of periodontal disease<strong>. </strong>The values of positive and negative predictive values were 94.7 and 80 percent respectively. The software output yielded significant amounts of time (4.5870) and regression for train, test and overall (0.7454, 0.9749, 0.9254).<strong> &nbsp;</strong><br> <strong>Conclusion</strong>: It seems, artificial neural networks can be helpful for diagnosis of periodontal disease at least time.<br> <strong>Keywords:</strong> Periodontal disease, Diagnosis, neural network model<strong><span dir="RTL"></span></strong><br> &nbsp; بیماری پریودنتال, تشخیص, مدل شبکه‌ی عصبی Periodontal disease, Diagnosis, neural network model 213 219 http://jrds.ir/browse.php?a_code=A-10-1227-1&slc_lang=fa&sid=1 F Firouzi Jahantigh فرزاد فیروزی جهانتیغ Firouzi@eng.usb.ac.ir 100319475328460015113 100319475328460015113 Yes university of sistan & balouchestan دانشگاه سیستان و بلوچستان S Arbabi سمین اربابی 100319475328460015114 100319475328460015114 No university of sistan & balouchestan دانشگاه سیستان و بلوچستان S Ansari-Moghadam سمیه انصاری مقدم 100319475328460015115 100319475328460015115 No Zahedan University of Medical Sciences دانشگاه علوم پزشکی زاهدان