Yapay zeka teknikleriyle t bbi verilerin lenmesi ver madenc l
Sponsored Links
This presentation is the property of its rightful owner.
1 / 34

Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi: VERİ MADENCİLİĞİ PowerPoint PPT Presentation


  • 222 Views
  • Uploaded on
  • Presentation posted in: General

Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi: VERİ MADENCİLİĞİ. VERİ NEDİR ?. Bilgisayar disklerinde biriktirilen, aktif olarak kullanılan veya ileride kullanılması düşünülen ilişkisel büyüklüklerdir

Download Presentation

Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi: VERİ MADENCİLİĞİ

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi:VERİ MADENCİLİĞİ


VERİ NEDİR ?

Bilgisayar disklerinde biriktirilen, aktif olarak kullanılan veya ileride kullanılması düşünülen ilişkisel büyüklüklerdir

Tahminen: Yeryüzünde biriktirilen veri miktarı birkaç yılda bir ikiye katlanarak artmaktadır


VERİ ÇEŞİTLERİ

  • Tıbbi veriler

  • Uydulardan gelen veriler

  • Finans verileri

  • Alışveriş verileri

  • İnsan kaynakları verileri

  • Otomasyon verileri

  • E-kütüphaneler

  • ………………..


Tıbbi veriler

  • Metin veriler

    Raporlar

    Tahlil sonuçları v.b.

  • Örüntü verileri

    Filmler

    mikroskop verileri

    ultrason verileri

    Kamera verileri v.b. örüntüler

  • Otomasyon verileri


VERİ ZENGİNİ – BİLGİ FAKİRİ


Bilginin kullanımı

  • Karar destek sistemlerinde

  • Strateji belirlemede

  • Finans ve alışverişte kar amaçlı veya zarar

    tespitinde

  • Bilimsel analizlerde

  • Akıllı robotlar ve cihazlar geliştirmede

  • Tahmin etmede

  • ………………


VERİ MADENCİLİĞİ

  • Veri toplulukları içerisinde bulunan bilginin keşfedilmesi

  • Veri toplulukları içerisindeki veri modellerini ve eğilimlerini ortaya çıkarmak için yapay zeka tekniklerinin kullanılması


VERİ MADENCİLİĞİ BİRÇOK DİSİPLİNİN ORTAK BULUŞMA NOKTASIDIR

istatistik

Veri tabanı

teknolojileri

Görsel

Bilimler

VERİ

MADENCİLİĞİ

Diğer

disiplinler

Enformasyon

bilimleri

Makine

öğrenmesi


Veri madenciliği ve istatistiksel analiz arasındaki fark nedir ?

Veri madenciliği sonucu ortaya çıkan

bilgiler içerisinde hiç beklenilmeyen,

olması tahmin bile edilemeyen ilginç

hatta şaşırtıcı sonuçlar bulunmasıdır


Temel örnek:

Veri madenciliği teknikleri

ile sepet analizi sonucu:

Çocuk bezi alanların %30 u bira da alır


Bazı veri madenciliği modelleri

  • Kavram tanımlama

  • Birliktelik kuralları keşfi

  • Sınıflandırma ve tanıma

  • Kümeleme


Veri madenciliği hangi yapay zeka tekniklerini kullanır

  • Yapay sinir ağları

  • Genetik algoritmalar

  • İstatistiksel yaklaşımlar

  • Karar ağaçları

  • Bayes teorisi

  • Bulanık mantık torisi

  • Kaba küme teorisi

  • Yapay bağışıklık sistemleri

  • Destek vektör makinaları

  • ……………………………


Veri madenciliği için izlenilen yol

Değerlendirme

Veri madenciliği

Veri Ambarı

Temizleme ve bütünleştirme

Ver

Tabanı

Veri

Tabanı

Dosyalar


Tıbbi verilerin farklılıkları

  • Veri boyutları çok büyüktür ve çok fazla çeşitlilik gösterir (metin, çeşitli örüntüler)

  • Veri dinamiktir

  • Eksik veri bulunabilir

  • Gürültü içerir

  • Geçersiz veri olabilir

  • Önemsiz veri olabilir

  • Yönetimle ilgili veriler bulunabilir

  • Verinin gizlilik özelliği vardır

  • Hastahane verileri tam olarak disklere yerleştirilememiş durumdadır.


Örnek: Birliktelik kurallarının keşfi


Minimum destek =2


Minimum destek =2


{I1,I2,I5} öğelerinden elde edilen birliktelik kuralları

Altkümeler: {I1,I2}, {I1,I5}, {I2,I5}, {I1}, {I2}, {I5}

Birliktelik Kuralları:

I1&I2 I5 Güven= 2/4 = %50

I1&I5 I2 Güven= 2/2 = %100

I2&I5  I1 Güven= 2/2 = %100

I1 I2&I5 Güven= 2/6 = %33

I2 I1&I5 Güven= 2/7 = %29

I5 I1&I2 Güven= 2/2 = %100


{I1,I2,I5} öğelerinden elde edilen birliktelik kuralları

  • I1 & I5  I2 Güven= 2/2 = %100

  • I2 & I5  I1 Güven= 2/2 = %100

  • I5  I1 & I2 Güven= 2/2 = %100

    ( Güven > %70 için )


Kalp kapakçığı hastalıklarının belirlenmesi

Dopler ses sinyali

Sınıflandırılmış

Çıkışlar

Sınıflandırma

Özellik

çıkarma

Eğiticili

Öğrenme

Veri madenciliği


Sistem veri kaynakları

  • 95 normal ve 120 normal olmayan vaka sinyali ile çalışılmıştır

  • Yaşları 15 ile 80 arasında değişen yaş ortalaması 48.77 olan 132 erkek ve 83 kadın üzerinde çalışılmıştır

  • 92 sinyal sistemin eğitilmesi için kullanılmıştır

  • 123 sinyal test amacıyla kullanılmıştır


Çalışma sonucu

Normal değerleri tanıma oranı %84

Normal olmayanları tanıma oranı %96


İsokinetik ölçüm düzeneği


Ölçülen test sinyalleri


Çalışma sonucu


Yapılan bazı çalışmalar

  • Ontolojide genler üzerine: İfade profillerinden gen fonksiyonlarını tahmin etme

  • Kanser teşhisinde hücre sınıflandırma

  • İnsan üzerinde glikoz ve insilünün etkilerini belirleme

  • Mikroskobik görüntülerin analiz edilmesi

  • ........................................


Sonuç

  • Veri madenciliği birçok alanda kaçınılmaz olarak kullanılması gereken bir yaklaşımdır

  • Gelişmiş ülkelerde birçok kurum ve kuruluş artık yol haritalarını veri madenciliği teknikleri ile belirlemektedirler ve sadece bu işle ilgili personel istihdam etmeye başlamışlardır


  • Hekim ve bilim adamlarının karar vermelerinde destek sistemi olarak veri madenciliği uzman sistemleri yoğun şekilde kullanılmaya başlanmıştır

  • Tıbbi cihazlar veri madenciliği yazılım ve donanımları ile üretilir duruma gelmiştir

  • Bazı hastalıklar ve nedenleri veri madenciliği teknikleri ile daha kolay analiz edilir ve tanınır duruma gelmiştir


  • Login