تحقیق سیستم های خبره در تشخیص بیماری ارولوژی

توضیحات

 عنوان فارسی: سیستم های خبره در تشخیص بیماری ارولوژی

•  مقدمه
•  هوش مصنوعی
•  اورولوژی و سرطان پروستات
•  روش بررسی سیستم خبره
•  بررسی نمونه سرطان پروستات
•  تحلیل نتایج به‌دست آمده
•  بحث و نتیجه‌گیری
•  منابع

مقدمه

در دو دهه گذشته با پیشرفت سیستم‌های اطلاعاتی و مفاهیم نوین کامپیوتری، شاخه‌ای از علوم کامپیوتری که هوش مصنوعی نامیده می‌شد، پدید آمد که با الهام گرفتن از ذهن انسانی قادر بودند که قدرت تفکر، استنباط و استدلال را در سیستم‌های کامپیوتری بوجود آورند. هوش مصنوعی در پزشکی مدرن امروزی، به خلق و کاربرد دانش پزشکی کمک می‌کند و به صورت گسترده در تولید هشدارها، یاداوری‌ها و تایید تصمیم‌گیری‌های تشخیصی استفاده می‌شود.

با گسترش كاربرد فناوری اطلاعات، سیستم‌های تصمیم‌گیری و یا به‌طور كلی تصمیم‌گیری‌های مبتنی بر رایانه اهمیت بسیار زیادی یافته‌اند. در این زمینه سیستم‌های خبره به عنوان یكی از بخش‌های منسوب به هوش مصنوعی نقش اصلی را دارند. در سیستم‌های خبره انواع تصمیم‌ها به كمك رایانه اتخاذ می‌شوند. سیستم‌های خبره، سیستم‌هایی مبتنی بر دانش می‌باشند و دانش در واقع مهم‌ترین بخش آنها است. در این سیستم‌ها دانش از خبرگان هر علمی به رایانه منتقل می‌شود. سیستم‌های خبره كاربرد وسیعی در علوم مختلف جهان داشته‌اند. تاكنون سیستم‌های خبره مختلفی در زمینه‌هایی از جمله صنعت، كنترل، فضانوردی، تصمیم‌گیری‌های مالی و غیره طراحی وارائه شده‌اند.

استفاده از سیستم‌های خبره به دنیای پزشكی نیز راه یافته است. برنامه  DENDRALدر سال 1965 جهت شرح و بیان ساختار مولكولی ارائه داده شد. نرم‌افزار MYCIN در سال 1976 جهت تشخیص بیماری‌های قلبی ارائه شد. همچنین نرم‌افزار  PUFFبرای تشخیص بیماری‌های ریوی و نیز نرم‌افزار XBONE برای تشخیص امراض استخوان و همینطور نرم‌افزار VM برای نظارت بر بیماران نیازمند مراقبت‌های ویژه و همچنین  CADCUCEUSبرای تشخیص بیماری‌های مربوط به طب داخلی،BLUE BOX برای تشخیص و درمان افسردگی و سیستم‌های خبره‌ای كه به منظور تشخیص مواد اسیدی و الكترولیت‌ها، آموزش در امور مدیریت بیهوشی، تشخیص بیماری‌های مربوط به طب داخلی، از این دست هستند.

یك سیستم خبره پزشكی یك برنامه كامپیوتری است كه زمانی كه درست پیاده شده باشد، كمك‌های مؤثری در تصمیم‌گیری در مورد تشخیص بیماری‌ها و پیشنهاد در مورد شیوه درمان، را ارائه می‌دهد. تشخیص بیماری‌ها و پیش‌بینی عوارض بعد از اینكه برنامه، اطلاعات بیمار را دریافت می‌كند، انجام می‌شود. این اطلاعات معمولا از طریق بیمار به پزشك منتقل می‌شود. سیستم‌های خبره پزشكی دارای ویژگی‌هایی هستند كه آنها را از دیگر نرم‌افزارهای پزشكی متمایز می‌كند. یك جنبه این تفاوت این است كه این سیستم‌ها، برای رسیدن به نتایج صحیح، قدم به قدم، استدلال‌های یك پزشك خبره را تقلید می‌كنند. در اكثر موارد، متخصص استفاده از این نرم‌افزار از این استدلال‌های متوالی با خبر است. امری كه بدیهی است، این است كه سیستم‌های خبره نیاز به تعداد بسیار زیادی از قوانین و حقیقت‌های علم پزشكی در زمینه بیماری‌ها و شرایط بیماری دارند، تا بتوانند نتیجه دقیقی ارائه دهند.

استفاده از سیستم‌های نرم‌افزاری خبره دارای مزایایی می‌باشد از جمله اینكه:

الف) تخصص افراد زودگذر و فانی است. برای مثال فرد ممكن است شغلش را تغییر دهد، مریض شود و مانند اینها، ولی تخصص رایانه دایمی است.

ب) تخصص فرد پایدار نیست. افراد متخصص می‌توانند تعطیلات، برنامه‌های تفریحی و غیره داشته باشند كه همه اینها بر روی عملكرد طبیعی افراد به طور زیان آوری تأثیر گذار است، ولی رایانه‌ها ثبات دارند و در شرایط یكسان و مشخص، همان خروجی‌ها را ارائه می‌دهند.

ج) تخصص فرد جهت انتقال مشكل است. یك فرد نمی‌تواند در یك زمان در دو مكان حضور داشته باشد، ولی تخصص رایانه قابل انتقال است. برای مثال یك سیستم خبره كه روی یك كامپیوتر نصب شده است قادر به كپی شدن در كامپیوتری دیگر و در مكانی دیگر است ویا حتی دریافت آن از طریق شبكه امكان‌پذیر است.

د) تخصص فرد معمولا گران وهزینه‌بر است. حقوق پرسنلی خیلی بیشتر از هزینه سخت‌افزار و نرم‌افزار می‌باشد.

همچنین سیستم‌های خبره توانایی ارتقاء را دارند. از دیگر مزایایی كه سیستم‌های خبره ایجاد می‌كنند می‌توان به موارد زیر اشاره كرد:

عملكرد بالا، زمان پاسخگویی كامل و سریع، قابلیت اطمینان خوب، قابل فهم بودن، انعطاف‌پذیری، كاهش خطر، دوام و بقاء و وجود تخصص‌های چندگانه.

علاوه بر این در سیستم‌های تصمیم‌یار بالینی مبتنی بر سیستم‌های کامپیوتری از روش‌ها و الگوریتم‌های متفاوتی می‌توان استفاده کرد که از جمله این روش‌ها می‌توان به روش‌های استدلال قواعدمحور، استدلال موردمحور و روش‌های یادگیری ماشینی اشاره نمود که الگوریتم‌های یادگیری ماشینی بسیاری در حوزه پزشکی و حوزه‌های مرتبط بکار رفته است.که از آن جمله می‌توان به درخت تصمیم‌گیری، شبکه عصبی مصنوعی، ماشین‌ ِبردار پشتیبان و شبکه‌های بیزین اشاره کرد.

اما در ارتباط با تشخیص دقیق‌تر و پیشگیری از خطاهای تشخیصی از شبکه‌های عصبی مصنوعی و ماشین بردار پشتیبان به دلیل ویژگی‌های منحصر بفرد آنها به صورت گسترده‌ای استفاده شده است. این روش‌ها دارای توانایی‌های خاصی در پیداکردن برهم‌کنش و روابط غیرخطی بین متغیرهای ورودی و خروجی هستند. امروزه محققین نشان داده‌اند که تکنیک‌های یادگیری ماشینی با عملکرد تشخیصی خود بهتر از رگرسیونِ خطی و لجستیک عمل می‌کند و در تشخیص‌های سریعتر، کم‌هزینه‌تر در تمامی بخش‌های درمان می‌توانند موثر واقع شوند.

از مهمترین مفاهیم یادگیری ماشینی مفهوم « شبکه عصبی مصنوعی » است. این شبکه‌ها که با مدل کردن مغز انسان و الهام از طرز کار آن ساخته شده‌اند، قادر هستند به سادگی ارتباطات پنهان میان داده‌ها را کشف کنند، حتی هنگامی که داده‌ها غیر خطی، دارای خطای زیاد و حتی ناقص باشند.

شبکه عصبی دست کم از دو بابت شبیه مغز است: 1- شبکه عصبی عبارت است از مجموعه‌ای عظیم از پردازش‌گرهای موازی همانند نرون‌های مغز که استعداد ذاتی برای ذخیره اطلاعات و یادگیری دارد 2- ارتباط بین نرون‌ها که آنها را وزن‌های سیناپسی گوییم جهت ذخیره دانش بکار می‌روند. در دهه گذشته استفاده از تکنیک‌های شبکه عصبی مصنوعی به طور وسیعی در پزشکی و شاخه‌های مرتبط مورد پذیرش واقع شده است.

دلیل این گفته این است که از تکنیک‌های هوش مصنوعی و مخصوصاً الگوریتم شبکه عصبی به‌صورت گسترده‌ای در تجهیزات پزشکی و متد‌های تشخیصی به جهت شبیه‌سازی تفکر انسانی در تصمیم‌گیری‌های تشخیصی استفاده شده است. بیشترین حوزه کاربردی این شبکه‌ها در غربالگری بیماران سرطانی، کاهش و پیشگیری خطاهای تشخیصی متخصصین اورولوژِی بوده است و مهمترین حوزه آناتومیکی کاربرد آن در مورد اندام‌های ادراری تناسلی و مخصوصاً تشخیص و تعیین میزان پیشرفت سرطان پروستات است.

 توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.