تکنیک های داده کاوی در پزشکی

تکنیک های  داده کاوی در پزشکی

آکادمی داده

۱۳۹۷/۰۳/۰۵


  • 67 بازدید

تکنیک های  داده کاوی  شامل گروهی از تکنیک ها و ابزارهای  ناهمگونی هستند که برای  اهداف متفاوتی استفاده می شوند. این تکنیک ها و مدل ها بر پایه هوش مصنوعی، یادگیری  ماشین، شبکه های  عصبی، آمار، شناسایی الگو، سیستم های  مبتنی بر دانش، حصول دانش، بازیابی اطلاعات، محاسبات سرعت بالا و مصورسازی  داده می باشند. هر چه حجم داده های  ذخیره شده افزایش یابد، تکنیک های  داده کاوی  نیز نقش مهمی در پیدا کردن الگوها و استخراج دانش به منظور کمک به تشخیص موثر بیماری  ها و ارائه بهتر خدمات و مراقبت های  پزشکی ایفا می کنند.

الگوریتم های  استفاده شده در تکنیک های  داده کاوی  سعی می کنند که نزدیکترین مدل به ویژگی های  داده های  مورد نظر را پیدا و ارائه نمایند. مدل ها می توانند پیشگویانه یا توصیفی باشند. مدل های  پیشگویانه برای  اهداف پیشگویی مثلا تشخیص یک بیماری  خاص استفاده می شوند. درمان یک بیماری  ممکن است فقط بر اساس پیشینه و وضعیت آن بیمار خاص نباشد و نتایج حاصل از درمان سایر بیماران با علائم مشابه نیز مورد توجه قرار گیرد. در این روش ها تعیین وضعیت داده های  آینده، بر مبنای  مقادیر گذشته و فعلی بیمار صورت می گیرد. مدل های  توصیفی برای  شناسایی الگوها در داده ها استفاده می شوند.

کلاسه بندی، رگرسیون، تحلیل سری زمانی، معروف ترین روش ها در مدل پیش بینی بوده و خوشه بندی، قوانین وابستگی، و مصورسازی معروف ترین روشهای مدل های توصیفی هستند. این روش ها به اختصار در ادامه تشریح می گردند.

کلاسه بندی : یک نمونه داده را به یکی از کلاس های  از قبل تعریف شده انتساب می کند. در این روش یک مجموعه از قوانین کلاسه بندی  بر مبنای  ویژگی های  مجموعه داده ی  آموزشی تولید می شوند که می توانند برای  کلاسه بندی  نمونه داده ی  جدید استفاده شوند.

بعنوان مثال، قوانین کلاسه بندی  درباره یک بیماری  می توانند از روی علائم و مشخصه های  بیمارهای  شناخته شده ی  فعلی کشف و برای  تشخیص آن بیماری  در بیمارهای  جدید با توجه به علائم بیماری  آنها استفاده شوند. تشخیص پزشکی یکی از مهمترین کاربردهای  کلاسه بندی  می باشد.

رگرسیون: روشی است که با استفاده از یک تابع، مقدار یک مشخصه را پیشگویی می کند. این روش یک مقدار خروجی را بر مبنای  مقادیر ورودی  تخمین می زند. بعنوان مثالی از کاربرد رگرسیون می توان تخمین قد کودکان با توجه به مقادیر سن و وزن آنها را نام برد.

تحلیل سری های  زمانی: در این روش، مقدار یک خصیصه، با آزمون آن در فواصل زمانی مساوی  و منظم بدست می آید. بعنوان مثال با توجه به شرایط یک بیمار، مقادیر خصیصه های  خاصی ممکن است بر اساس آزمایشات ساعتی و یا روزانه بدست آیند. این روش می تواند برای  پیش بینی مقادیر آینده و یا تعیین شباهت میان بازه های  زمانی مختلف استفاده شود.

مصورسازی : روش های  مفیدی  برای  کشف الگوها در یک مجموعه داده ی  پزشکی می باشند. نمایش داده ها در قالب نمودارها و عکس ها باعث تسهیل در گروه بندی  آنها در خوشه های  متناسب شده و توانایی تصمیم گیری  بر مبنای  داده ها را سریعتر، دقیق تر و همراه با تلاش شناختی کمتر، فراهم می سازد. بعنوان مثال در یک مجموعه داده ی  بیماران قلبی، زیر مجموعه ی  بیمارانی که بواسطه وضعیت بیماری  خود دارای  فشار خونی هستند که بطور غیرعادی  بالا است، می تواند کشف شود و سپس سایر تکنیک های  داده کاوی  روی  این زیر مجموعه برای  کشف دانش بیشتر اعمال می گردد.

قوانین وابستگی: اغلب مشاهده می شود که یک وابستگی نزدیک (مثبت یا منفی) بین مجموعه ای  از داده های  معین وجود دارد. قوانین وابستگی، روابط وابستگی بین یک مجموعه از داده دنکن ها را توصیف می که برای  تولید الگوهای  جدید، ساخته و بکار گرفته می شوند. بعنوان مثال ممکن است مجموعه ای  از علائم بیماری  بعد از مجموعه ای  دیگر از علائم نمایان شوند. یا بین ویژگی های  ژنتیکی و ظاهری  یک بیمار، رابطه ای  وجود داشته باشد.

کاربرد داده کاوی در پزشکی، فرصت ها و چالش ها، طهماسبی

کپی برداری بدون ذکر منبع، براساس قانون جرایم اینترتی و مادۀ 12 فصل سوم قانون جرایم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 

اگر در زمینه داده کاوی پزشکی یا سلامت در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله، گپ و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 

افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.