توضیحات

 عنوان تحقیق: نقش داده کاوی در تشخیص بیماری ها

• چکیده
•   بیان مسئله
•   اهمیت و ضرورت تحقیق
•      ساختار تحقیق
• فصل دوم: داده کاوی
•         مقدمه
•   تاریخچه داده کاوی
•      تعریف داده کاوی
•   ساختار یک سیستم داده‏کاوی
•      تکنیک های داده کاوی
•  دسته بندی
•   خوشه بندی
•   وابستگی
•   پیش بینی
•   وظایف داده‏کاوی
•   کاربردهای داده‏کاوی
•     محدودیت‌ها و مشکلات داده‏کاوی
• فصل سوم: کاربرد داده کاوی در تشخیص بیماری
•   کاربرد های داده کاوی درسلامت
•    ادبیات تحقیق
•   استفاده از داده کاوی درتشخیص زودهنگام سرطان
•   استفاده از داده کاوی در تشخیص زودهنگام بیماریهای قلبی
•   استفاده از داده کاوی در تشخیص بیماریهای کلیوی
•   استفاده از داده کاوی در تشخیص افسردگی0
•   استفاده از داده کاوی در تشخیص بیماریهای پوستی
• فصل چهارم: تحلیل کاربرد داده کاوی در تشخیص عارضه قلبی
•   مقدمه
•   ارتباط بین فاکتورهای تشخیصی
•   مدلسازی
•    الگوریتم pso
•   الگوریتم بگینگ
•   الگوریتم KNN
•   ترکیب PSO با SVM
•    جمع بندی
• فصل پنجم: نتیجه گیری
• نتیجه گیری
• منابع

 

چکیده

اهمیت استفاده صحیح از داده‌های حجیم و پیچیده در زمینه‌های گوناگون، موضوعی شناخته شده در تحقیقات علمی است. کشف دانش از پایگاه داده‌‎ها در حقیقت فرآیند تشخیص الگوها و مدل‌های موجود در داده‌ها است؛ الگوها و مدل‌هایی که معتبر، بدیع، مفید و قابل فهم هستند. داده‌کاوی مرحله‌ای از فرآیند کشف دانش است که به کمک ابزارهای تحلیلی گوناگون این الگوها و مدل‌ها را در داده‌ها می‌یابد و مهمترین توانایی آن در دامنه وسیع متدولوژی‌ها و تکنیک‌های آن نمایان شده است.  استفاده از داده کاوی در پزشکی یکی از تکنیک های پرکاربرد داده کاوی محسوب می شود.

بدیهی است که همکاری محققین کامپیوتر و پزشکی و استفاده از شرایط تکنولوژیک موجود می‌تواند سرعت و دقت را در فرآیند‌های مربوط به شناسایی، تشخیص و پیش‌بینی بیماری‌ها افزایش دهد. استخراج داده ها از میان حجم انبوه داده های مرتبط با سوابق بیماری و پرونده های پزشكی افراد با استفاده از فرایند داده كاوی می تواند منجر به شناسایی قوانین حاكم بر ایجاد، رشد و تسری بیماری ها شده و اطلاعات ارزشمندی را به منظور شناسایی علل رخداد بیماری ها، تشخیص، پیش بینی و درمان بیماری ها با توجه به عوامل محیطی حاكم در اختیار متخصصان و دست انداران حوزه سلامت قرار دهد. در این تحقیق به بررسی نقش تکنیک های مختلف داده کاوی در تشخیص زود هنگام انواع بیماری های مختلف مانند بیماری های قلبی، دیابت و انواع سرطان ها خواهیم پرداخت.

کلمات کلیدی: داده کاوی، داده کاوی پزشکی، انتخاب ویژگی، معیارهای ارزیابی کارایی الگوریتم.

فصل اول: مقدمه

 

1-1          بیان مسئله

داده کاوی تکنیکی جهت کشف دانش جدید از پایگاه داده های های حجیم می باشد. این علم به استخراج الگوها و روابط کشف نشده از داده های خام می پردازد. این الگوها برای پیشگویی یا شناسایی اتفاقات قبل از به وقوع پیوستن آنها یا در ابتدای حادث شدن آنها به کار میروند. دادها کاوی در پزشکی یکی از تکنیک های پرکاربرد داده کاوی محصوب می شود که نقش حیاتی در سلامت دارد و منجر به کشف دانش جدید، سودمند و ماندگار در پایگاه داده ها می شود. بدیهی است که همکاری محققین کامپیوتر و پزشکی و استفاده از شرایط تکنولوژیک موجود می‌تواند سرعت و دقت را در فرآیند‌های مربوط به شناسایی، تشخیص و پیش‌بینی بیماری‌ها افزایش دهد. مراکز پزشکی و آزمایشگاه‌ها امروزه با مقاصد گوناگون به جمع‌آوری داده‌های فراوان در مورد بیماری‌های متفاوت می‌پردازند و داده‌کاوی می‌تواند یک راهکار مناسب جهت کشف حقایق ارزشمند از این داده‌های حجیم باشد.

در دهه اخیر استفاده از تکنیک داده کاوی برای کمک به تشخیص زودهنگام بسیاری از ها بیماری (همانند انواع سرطان ها، دیابت، بیماری قلبی) و همچنین پیشگویی امکان ابتلا به بیماری خاصی از طریق کشف روابط انجمنی و بررسی فاکتورهای مرتبط به بیماری، به کار برده شده است.

 

1-2          اهمیت و ضرورت تحقیق

استفاده از داده کاوی در پزشکی یکی از تکنیک های پرکاربرد داده کاوی محسوب می شود که نقش حیاتی در سلامت دارد و منجر به کشف دانش جدید سودمند و ماندگار در پایگاه داده ها می شود.  امروزه بخش سلامت و پزشکی بیشترین نیاز را به داده کاوی پیدا کرده و حرکت از پزشکی سنتی به سمت پزشکی مبتنی بر شواهد از جمله مواردی است که می تواند موکد این امر باشد،  زیرا هنگامی که تعداد پارامتر ها در تشخیص بیماری زیاد می شود ممکن است تشخیص بیماری حتی برای یک متخصص خبره پزشکی نیز به سختی امکان پذیر باشد. همین دلیل موجب شده که در چند دهه اخیر از ابزارهای تشخیص کامپیوتری با هدف کمک به پزشکی با استفاده از ابزارها احتمال بروز خطاهای احتمالی ناشی از خستگی و یا بی تجربگی فرد را کاهش دهد.

 

1-3          ساختار تحقیق

در فصل دوم مفاهیم داده کاوی و ویزگی های ان بیان می شود. در فصل سوم، به بررسی نقش داده کاوی در تشخیص بیماری های مختلف می پردازیم. در فصل چهارم، به تحلیل نقش داده کاوی در بیماری قبلی پرداخته می شود. در فصل پنجم نتیجه گیری بیان می شود.

 

                                

فصل دوم: داده کاوی

 

2-1          مقدمه

در دو دهه قبل توانایی‌های فنی بشر در برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستم های سنجش از دور ماهواره ای، در این تغییرات نقش مهمی دارند.

به‌طور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند: داده کاوی به عنوان یک راه حل برای این مسائل مطرح است. اصلی ترین دلیلی که باعث شد داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده‌ها و نیاز شدید به اینکه از این داده‌ها اطلاعات و دانش سودمند استخراج کنیم.

اطلاعات و دانش به‌دست آمده در کاربردهای وسیعی از مدیریت کسب و کار و کنترل تولید و تحلیل بازار تا طراحی مهندسی و تحقیقات علمی مورد استفاده قرار می‌گیرد. امروزه فناوری داده‏کاوی به صورت موضوعی داغ برای تصمیم‏گیران در آمده است ، زیرا این فن ، اطلاعات نهفته ی با ارزش تجاری و علمی را از داده‏های حجیم ذخیره شده استخراج می‏کند. با این وجود ، ماهیت داده‏کاوی فناوری جدیدی محسوب نمی‏شود. استخراج اطلاعات و دانش از داده‏های ذخیره شده یک مفهوم کاملا دیرینه در مطالعات علمی و پزشکی می‏باشد. آنچه که جدید است همگرایی و اشتراک چندین رشته و فناوری‏های متناظر آن‏ها است که فرصت منحصر به فردی برای داده‏کاوی به دنیای علم ، تجارت و اقتصاد ایجاد کرده است. اما داده‏کاوی یا کشف دانش و معرفت از پایگاه داده‏ها[1] با این تعریف یک شاخه‏ی نسبتا جدید علمی است که از انجام تحقیقات در رشته های آمار ، یادگیری ماشین[2]، علوم رایانه (به ویژه پایگاه داده‏ها) شکل گرفته است. در حالی که مرزهای این رشته‏ها در داده‏کاوی مبهم است، ولی می‏توان گفت که مهمترین این رشته ها آمار می‏باشد به طوری که بدون آمار داده‏کاوی مفهومی نخواهد داشت.

 

منابع

[1] Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.

[2] Singh, H. K., & Singh, B. (2012). A Classification Algorithm to Improve the Design of Websites. Journal of Software Engineering and Applications, 5(07), 492.

[3] حیدری، محمود و مهدی تیموری، ۱۳۹۲، پیش بینی نارسایی کبدی با استفاده از ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک، همایش ملی مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدل سازی و امنیت سیستمها، مشهد، موسسه آموزش عالی خاوران.

[4] سپهری، محمد مهدی، 1394، شناسایی بیماران سیروز در معرض ابتلا به سرطان کبد به کمک رویکردهای داده کاوی، همایش ملی مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدل سازی و امنیت سیستمها، مشهد، موسسه آموزش عالی خاوران.

[5] Kim, Y. S., Sohn, S. Y., & Yoon, C. N. (2003). Screening test data analysis for liver disease prediction model using growth curve. Biomedicine & pharmacotherapy, 57(10), 482-488.

[6] Lin, R. H. (2009). An intelligent model for liver disease diagnosis. Artificial Intelligence in Medicine, 47(1), 53-62.

[7] Aneeshkumar, A. S., & Venkateswaran, C. J. (2012). An Approach of Data Mining for Predicting the Chances of Liver Disease in Ectopic Pregnant Groups. Special Issue of International Journal of Computer Applications,(0975–8887), 19-22.

[8] Bahramirad, S., Mustapha, A., & Eshraghi, M. (2013, September). Classification of liver disease diagnosis: a comparative study. In Informatics and Applications (ICIA), 2013 Second International Conference on (pp. 42-46). IEEE.

[9] Oskouei, R. J. (2010, September). The role of social networks on female students activities. In Proceedings of the 1st Amrita ACM-W Celebration on Women in Computing in India (p. 26). ACM.

[10] Oskouei, R. J., & Chaudhary, B. D. (2010, June). Relationship between academic performance and usage pattern of non-academic websites by gender group. In Educational and Network Technology (ICENT), 2010 International Conference on (pp. 42-45). IEEE.

[11] Kim, S., & Chang, M. (2007, December). The differential effects of computer use on academic performance of students from immigrant and gender groups: implications on multimedia enabled education. In Multimedia Workshops, 2007. ISMW’07. Ninth IEEE International Symposium on (pp. 479-484). IEEE.

[12] Sanders, J. (2005). Gender and technology in education: A research review. Seattle: Center for Gender Equity. Bibliography retrieved March, 20, 2006.

[13] Minaei-Bidgoli, B., Kashy, D. A., Kortemeyer, G., & Punch, W. F. (2003, November). Predicting student performance: an application of data mining methods with an educational web-based system. In Frontiers in education, 2003. FIE 2003 33rd annual (Vol. 1, pp. T2A-13). IEEE.

[14] Yan, H., Jiang, Y., Zheng, J., Peng, C., & Li, Q. (2006). A multilayer perceptron-based medical decision support system for heart disease diagnosis. Expert Systems with Applications, 30(2), 272-281.

[15] Blake, C. L., & Merz, C. J. (1998). UCI Repository of machine learning databases [http://www. ics. uci. edu/~ mlearn/MLRepository. html]. Irvine, CA: University of California. Department of Information and Computer Science, 55.

[16] Johnston, M. E., Langton, K. B., Haynes, R. B., & Mathieu, A. (1994). Effects of computer-based clinical decision support systems on clinician performance and patient outcome: a critical appraisal of research. Annals of internal medicine, 120(2), 135-142.

[17] Rajeswari, P., & Reena, G. S. (2010). Analysis of liver disorder using data mining algorithm. Global journal of computer science and technology, 10(14).

[18] Ramana, B. V., Babu, M. S. P., & Venkateswarlu, N. B. (2011). A critical study of selected classification algorithms for liver disease diagnosis. International Journal of Database Management Systems, 3(2), 101-114.

[19] Ramana, B. V., Babu, M. S. P., & Venkateswarlu, N. B. (2012). Liver classification using modified rotation forest. International Journal of Engineering Research and Development, 6(1), 17-24.

[20] Übeyli, E. D. (2009). Combined neural networks for diagnosis of erythemato-squamous diseases. Expert Systems with Applications, 36(3), 5107-5112.

[21] Neuman, Y., Kedma, G., Cohen, Y., & Nave, O. (2010, August). Using web-intelligence for excavating the emerging meaning of target-concepts. In Web Intelligence and Intelligent Agent Technology (WI-IAT), 2010 IEEE/WIC/ACM International Conference on (Vol. 1, pp. 22-25). IEEE.

[22] Figl, K., Kabicher, S., & Toifl, K. (2008, October). Promoting social networks among computer science students. In Frontiers in Education Conference, 2008. FIE 2008. 38th Annual (pp. S1C-15). IEEE.

[23] Petre, R. (2013). Data Mining Solutions for the Business Environment. Database Systems Journal, 4(4), 21-29.

[24] نظری, احمد، ۱۳۹۴، ارزیابی عملکرد و دقت تکنیک های داده کاوی در تشخیص به موقع بیماری های قلبی، سومین کنفرانس بین المللی رویکردهای نوین در علوم، مهندسی و تکنولوژی، دبی، شرکت پندار اندیش رهپو.

 

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.

سفارش تحقیق

به منظور سفارش تحقیق مرتبط با رشته تخصصی خود بر روی کلید زیر کلیک نمایید.

سفارش تحقیق