بخشی از مقاله
چکیده
از آنجایی که استفاده از الگوریتم ها و روش های مختلف داده کاوی فراهم کننده نتایجی برای پژوهشگران است که علل ابتلا به انواع بیماری ها را مشخص میکند و از طرفی این نتایج ، به دست اندرکاران مباحث پزشکی در پیشگیری سریع و به موقع بیماری ها کمک می کند، در این مقاله بر آن شدیم که کاربرد داده کاوی را به عنوان یکی از رویکردهای موثر در جهت ارزیابی میزان دقت چشم، تاثیر آن در آلزایمر و روش های ارزیابی دقت را بررسی کنیم.
واژههای کلیدی:الگوریتم ها، داده کاوی، پزشکی، ارزیابی میزان دقت چشم، آلزایمر.
-1 مقدمه
در حالت کلی داده کاوی اقتباس یا استخراج دانش از مجموعه ای بسیار حجیم از داده ها است. یا به عبارتی دیگر، داده کاوی1 فرایندی است که با کمک تکنیک های هوشمند، دانش را از یکسری از دادهها خارج کرده که تحلیلهای ساده آماری در واقع قادر به انجام آن نیستند. لازم به ذکر است که داده کاوی از الگوریتم های بسیار پیچیده ریاضی برای تقسیم بندی داده ها و پیشگویی رویدادها کمک می گیرد .[1]بیشتر افرادی که که دانش داده کاوی را مورد استفاده خود قرار میدهند افرادی هستند که در یک زمینه خاص علمی - پزشک، رادیولوژیست، مدیر فروش، تاجر و... - تخصص دارند و با کمک آن هم به داده های خاص خود دسترسی دارند و هم به جمع آوری آنها می پردازند.
هدف این متخصصین این است که نه تنها ترجیح می دهند داده های خود را بهتر بشناسند بلکه علاقمندند دانش جدیدی را در حیطه تخصص خود کشف کنند. در واقع هدف صاحبان داده، حل مشکلات با استفاده از راههای جدیدتر و بهتر می باشد.[2]تفاوت داده کاوی با روش های آماری در این است که در بحث آمار ما به دنبال ثابت کردن نظریه و فرض مورد نظر هستیم اما در داده کاوی به دنبال مشخص کردن الگوهایی هستیم که از قبل شناخته نشده اند. همینطور اینکه به دنبال این نیستیم که تعیین کنیم به عنوان مثال چه کسی آلزایمر دارد، بلکه به دنبال راهی برای پیشگیری بیماری آلزایمر و این که چه چیزی میتواند در شکل گرفتن این بیماری نقش داشته باشد و در نهایت یافتن آن هستیم .[3]
در علم پزشکی، دادهها و اطلاعات مربوط به علایم بیماریهای گوناگون و راه های تشخیص آنها بسیار گسترده است تااین اندازه که معمولاً آنالیز کردن تمامی این عوامل توسط یکفردقطعاً بسیار سخت و دشوار خواهد بود.[4]از طرفی تشخیص دادن به موقع یک بیماری می تواند جلوی ابتلا به یکسری بیماری های خطرناک تر مانندسرطان را بگیرد و باعث نجات زندگی بسیاری از بیماران شود. امروزه با توسعه تکنولوژی ،پیشرفتهای بیولوژیکی و استفاده از فناوری روز و تجهیزات پیشرفته پزشکی، متخصصان قادر هستند تا اطلاعات دقیقتری را در مورد بیماران جمع آوری کنند اما تحلیل این اطلاعات بدلیل حجم زیاد آنها و متعدد بودنشان، امری مشکل است که فناوری جدیدتری را می طلبد و اینجاست که تکنولوژیهای داده کاوی با استفاده از الگوریتمهای پیشرفته خود به این مسئله مهم دست یافته است.
در واقع هدف از روشهای پیشگویی داده کاوی در پزشکی بالینی، ساخت یک مدل پیشگویانه است که به پزشکان کمک می کند تا روشهای پیشگیری، تشخیص و برنامه-های درمانی خودشان را بهبود ببخشند.[5]در حالت کلی داده کاوی به طور همزمان از چند رشته علمی استفاده می کند، مانند: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین2، شبکههای عصبی، آمار3، شناسایی الگو، سیستمهای مبتنی بر دانش4، حصول دانش5، بازیابی اطلاعات6، محاسبات سرعت بالا7 و بازنمایی بصری داده.[6] 8داده کاوی در اواخر دهه ی 1980 پدیدار گشته است، در دهه 1990 گامهای بلندی از این علم برداشته شد و انتظار می رود در اکنون نیز به رشد خود ادامه دهد و پیش بینی ها حاکی از آن است که در دهههای آینده با توسعه ای انقلابی مواجه شود. موسسه فن آوری ماساچوست9 داده کاوی را یکی از ده فن آوری برتری می داند که نقش چشم گیری در تحول جهان خواهد داشت.[7]داده کاوی در پزشکی، در پیش گیری و یا تشخیص نوع بیماریها و انتخاب روشهای درمان بیماریها کاربرد دارد. مدلهای توسعه یافته تکنیک داده کاوی میتوانند برای پزشکان جهت کمک در تصمیم گیری موثر و کاربردی باشد.[8]
مهم ترین خدمات قابل ارایه در پزشکی با استفاده از داده کاوی عبارتند از:
✓ بررسی میزان تأثیر دارو بر بیماری و اثرات جانبی آن
✓ تشخیص و پیشبینی انواع بیماریها مانند تشخیص و یا پیش بینی انواع سرطان ها
✓ تعیین روش درمان بیماری ها
✓ پیش بینی میزان موفقیت اقدامات پزشکی مانند اعمال جراحی
✓ تجزیه و تحلیل دادههای موجود در سیستمهای اطلاعات سلامت.[9]
روش های کشف دانش در داده کاوی
داده کاوی از ساخت مدلهای تحلیلی ، دسته بندی و پیش بینی اطلاعات و ارائه نتایج با استفاده از ابزارهای مرتبط استفاده می کند . برای اینکه الگوریتم داده کاوی بتواند عمل استخراج دانش را به خوبی انجام دهد، نیاز به یک سری پیش پردازش ها بر روی داده ها و یک سری پس پردازشها بر روی الگوهای استخراج شده دارد. از تکنیکهایی که برای داده کاوی استفاده می شود می توان به روشهای زیر اشاره نمود:
دسته بندی10 - تکنیک پیشگویانه -
در این روش یک نمونه به یکی از چند دسته از پیش تعریف شده دسته بندی می شود.
رگرسیون11 - تکنیک پیشگویانه -
پیش بینی یک مقدار متغیر مبنی بر متغیرهای دیگر.
خوشه بندی12 - تکنیک توصیفی - یک دسته داده را به یکی از چند خوشه نگاشت می کند . خوشهها گروه بندیهای دسته های داده ای هستند که بر اساس شباهت برخی از معیارها بوجود می آیند.
کشف قواعد وابستگی13 - تکنیک توصیفی -
روابط وابستگی بین خصیصه های مختلف را بیان میکند.
تحلیل دنباله
الگوهای دنباله ای همچون سریهای زمانی را مدل می کند.
جهت انجام این تکنیک ها، الگوریتم های بسیاری وجود دارند که از آن میان10 الگوریتم برتر پر کاربرد، به شرح زیر میباشند: [10]
که بعنوان مثال در اینجا ما میتوانیم از الگوریتم k-means برای خوشه بندی عوامل موثر بر بیماری نظیر جنسیت، سن، سابقه ی بیماری در اقوام، مصرف سیگار یا الکل استفاده کنیم، که این عوامل خود میتوانند در تشخیص و پیشگویی آلزایمر نقش مهمی داشته باشند.
پیش بینی آلزایمر با حرکات چشم
محققان دانشگاه باهیا بلانکای آرژانتین بعد از مشاهده بیماران با احتمال بیماری آلزایمر، نتیجه گرفتند معاینه حرکات چشم آنان در هنگام خواندن از عوامل اولیه تشخیص این بیماری است .در این تحقیق، دانشمندان 18 بیمار با احتمال ابتلا به بیماری آلزایمر را مورد بررسی قرار دادند.از بیماران درخواست شد جملاتی به زبان اسپانیایی با ساختارهای گرامری متفاوت را بخوانند. در همین حال محققان حرکات چشم آنان را ثبت کردند.با بررسی صورت گرفته محققان دریافتند بیماران مبتلا به آلزایمر تمرکز بصری کمتری در زمان خواندن دارند. حرکت چشم آنان در زمان خواندن آهستهتر و تثبیت پردازش دادههای جدید طولانیتر است .
سپس محققان از شرکت کنندگان درخواست کردند جملات را دوباره بخوانند .فرضیه بر این اساس بود که در دومین مرتبه، بیماران مفهوم جملات و معنی استنتاج شده را بهتر پیشبینی کنند، اما شرکت کنندگان حرکات چشم مشابهی داشتند. محققان دریافتند افراد مبتلا به بیماری آلزایمر ممکن است به دلیل آسیب عملکرد، بازیابی و کارکرد حافظه با مشکل بیشتری در ارزیابی و ذخیره اطلاعات روبرو باشند. آنها معتقدند استفاده از آنالیز چشم و بررسی میزان دقت، به تشخیص زودتر بیماری آلزایمر کمک می کند. نتایج این تحقیق در نشریه بالینی و تجربی نوروسایکولوژی منتشر شده است.
ردیابی چشم
ردیابی چشم تکنیکی است که توسط حرکات چشم افراد اندازه گیری میشود، بنابراین یک محقق می تواند چشمان کاربران را که به دنبال چیزی هستند از یک مکان به مکان دیگر ردیابی کنند.یک پرسش مهم هنگامی که صفحاتی از متون در مقابل یک فرد مورد آزمایش قرار بگیرد این است که، با توجه به محتوای صفحه، کاربر چه چیزی را درک کرده و فهمیده است.