Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi: VERİ MADENCİLİĞİ
description
Transcript of Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi: VERİ MADENCİLİĞİ
Yapay Zeka Teknikleriyle Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi:Tıbbi Verilerin İşlenmesi:
VERİ MADENCİLİĞİVERİ MADENCİLİĞİ
VERİ NEDİR ?VERİ NEDİR ?
Bilgisayar disklerinde biriktirilen, aktif Bilgisayar disklerinde biriktirilen, aktif olarak kullanılan veya ileride kullanılması olarak kullanılan veya ileride kullanılması düşünülen ilişkisel büyüklüklerdirdüşünülen ilişkisel büyüklüklerdir
Tahminen: Yeryüzünde biriktirilen veri Tahminen: Yeryüzünde biriktirilen veri miktarı birkaç yılda bir ikiye katlanarak miktarı birkaç yılda bir ikiye katlanarak artmaktadırartmaktadır
VERİ ÇEŞİTLERİ VERİ ÇEŞİTLERİ
Tıbbi verilerTıbbi verilerUydulardan gelen verilerUydulardan gelen verilerFinans verileriFinans verileriAlışveriş verileriAlışveriş verileriİnsan kaynakları verileriİnsan kaynakları verileriOtomasyon verileriOtomasyon verileriE-kütüphanelerE-kütüphaneler………………………………....
Tıbbi verilerTıbbi veriler
Metin verilerMetin veriler RaporlarRaporlar Tahlil sonuçları v.b.Tahlil sonuçları v.b.
Örüntü verileriÖrüntü verileri FilmlerFilmler mikroskop verilerimikroskop verileri ultrason verileri ultrason verileri Kamera verileri v.b. örüntülerKamera verileri v.b. örüntüler
Otomasyon verileriOtomasyon verileri
VERİ ZENGİNİ – BİLGİ FAKİRİVERİ ZENGİNİ – BİLGİ FAKİRİ
Bilginin kullanımıBilginin kullanımı
Karar destek sistemlerindeKarar destek sistemlerinde Strateji belirlemedeStrateji belirlemede Finans ve alışverişte kar amaçlı veya zararFinans ve alışverişte kar amaçlı veya zarar
tespitindetespitinde Bilimsel analizlerdeBilimsel analizlerde Akıllı robotlar ve cihazlar geliştirmedeAkıllı robotlar ve cihazlar geliştirmede Tahmin etmedeTahmin etmede ……………… ………………
VERİ MADENCİLİĞİVERİ MADENCİLİĞİ
Veri toplulukları içerisinde bulunan bilginin Veri toplulukları içerisinde bulunan bilginin keşfedilmesikeşfedilmesi
Veri toplulukları içerisindeki veri Veri toplulukları içerisindeki veri modellerini ve eğilimlerini ortaya çıkarmak modellerini ve eğilimlerini ortaya çıkarmak için yapay zeka tekniklerinin kullanılmasıiçin yapay zeka tekniklerinin kullanılması
VERİ MADENCİLİĞİ BİRÇOK DİSİPLİNİN VERİ MADENCİLİĞİ BİRÇOK DİSİPLİNİN ORTAK BULUŞMA NOKTASIDIRORTAK BULUŞMA NOKTASIDIR
VERİ MADENCİLİĞİ
Diğer disiplinler
Görsel Bilimler
Makine öğrenmesi
istatistik
Enformasyonbilimleri
Veri tabanı teknolojileri
Veri madenciliği ve istatistiksel Veri madenciliği ve istatistiksel analiz arasındaki fark nedir ?analiz arasındaki fark nedir ?
Veri madenciliği sonucu ortaya çıkan Veri madenciliği sonucu ortaya çıkan bilgiler içerisinde hiç beklenilmeyen,bilgiler içerisinde hiç beklenilmeyen,olması tahmin bile edilemeyen ilginç olması tahmin bile edilemeyen ilginç hatta şaşırtıcı sonuçlar bulunmasıdırhatta şaşırtıcı sonuçlar bulunmasıdır
Temel örnek:Temel örnek:
Veri madenciliği teknikleri Veri madenciliği teknikleri ile sepet analizi sonucu:ile sepet analizi sonucu:
Çocuk bezi alanların %30 u bira da alırÇocuk bezi alanların %30 u bira da alır
Bazı veri madenciliği modelleriBazı veri madenciliği modelleri
Kavram tanımlamaKavram tanımlamaBirliktelik kuralları keşfiBirliktelik kuralları keşfiSınıflandırma ve tanımaSınıflandırma ve tanımaKümelemeKümeleme
Veri madenciliği hangi yapay zeka Veri madenciliği hangi yapay zeka tekniklerini kullanırtekniklerini kullanır
Yapay sinir ağlarıYapay sinir ağlarıGenetik algoritmalarGenetik algoritmalarİstatistiksel yaklaşımlarİstatistiksel yaklaşımlarKarar ağaçlarıKarar ağaçlarıBayes teorisiBayes teorisiBulanık mantık torisiBulanık mantık torisiKaba küme teorisiKaba küme teorisiYapay bağışıklık sistemleriYapay bağışıklık sistemleriDestek vektör makinalarıDestek vektör makinaları…………………………… ……………………………
Veri madenciliği Veri madenciliği için izlenilen yol için izlenilen yol
VerTabanı
VeriTabanı
Veri Ambarı
Dosyalar
Veri madenciliği
Değerlendirme
Temizleme ve bütünleştirme
Tıbbi verilerin farklılıklarıTıbbi verilerin farklılıkları
Veri boyutları çok büyüktür ve çok fazla çeşitlilik Veri boyutları çok büyüktür ve çok fazla çeşitlilik gösterir (metin, çeşitli örüntüler)gösterir (metin, çeşitli örüntüler)Veri dinamiktirVeri dinamiktirEksik veri bulunabilirEksik veri bulunabilirGürültü içerirGürültü içerirGeçersiz veri olabilirGeçersiz veri olabilirÖnemsiz veri olabilirÖnemsiz veri olabilirYönetimle ilgili veriler bulunabilirYönetimle ilgili veriler bulunabilirVerinin gizlilik özelliği vardırVerinin gizlilik özelliği vardırHastahane verileri tam olarak disklere Hastahane verileri tam olarak disklere yerleştirilememiş durumdadır.yerleştirilememiş durumdadır.
Örnek: Birliktelik kurallarının keşfiÖrnek: Birliktelik kurallarının keşfi
NoNo İlgili öğelerİlgili öğeler
112233445566778899
I1,I2,I5I1,I2,I5I2,I4I2,I4I2,I3I2,I3I1,I2,I4I1,I2,I4I1,I3I1,I3I2,I3I2,I3I1,I3I1,I3I1,I2,I3,I5I1,I2,I3,I5I1,I2,I3I1,I2,I3
ÖğeÖğe Destek Destek sayısısayısı
I1I1I2I2I3I3I4I4I5I5
6677662222
ÖğeÖğe
I1I1I2I2I3I3I4I4I5I5
öğeöğeI1,I2I1,I2I1,I3I1,I3I1,I4I1,I4I1,!5I1,!5I2,I3I2,I3I2,I4I2,I4I2,I5I2,I5I3,I4I3,I4I3,I5I3,I5I4,I5I4,I5
öğeöğe Destek Destek sayısısayısı
I1,I2I1,I2I1,I3I1,I3I1,I4I1,I4I1,I5I1,I5I2,I3I2,I3I2,I4I2,I4I2,I5I2,I5I3,I4I3,I4I3,I5I3,I5I4,I5I4,I5
44441122442222001100
öğeöğe Destek Destek sayısısayısı
I1,I2I1,I2I1,I3I1,I3I1,I5I1,I5I2,I3I2,I3I2,I4I2,I4I2,I5I2,I5
444422442222
Minimum destek =2
öğeöğeI1,I2,I3I1,I2,I3I1,I2,I5I1,I2,I5
öğeöğe Destek Destek sayısısayısı
I1,I2,I3I1,I2,I3I1,I2,I5I1,I2,I5
2222
Minimum destek =2
öğeöğe Destek Destek sayısısayısı
I1,I2,I3I1,I2,I3I1,I2,I5I1,I2,I5
2222
{I1,I2,I5} öğelerinden elde edilen {I1,I2,I5} öğelerinden elde edilen birliktelik kurallarıbirliktelik kuralları
Altkümeler: {I1,I2}, {I1,I5}, {I2,I5}, {I1}, {I2}, {I5}Altkümeler: {I1,I2}, {I1,I5}, {I2,I5}, {I1}, {I2}, {I5}Birliktelik Kuralları:Birliktelik Kuralları: I1&I2I1&I2 I5 Güven= 2/4 = %50 I5 Güven= 2/4 = %50 I1&I5I1&I5 I2 Güven= 2/2 = %100 I2 Güven= 2/2 = %100 I2&I5 I2&I5 I1 Güven= 2/2 = %100 I1 Güven= 2/2 = %100 I1I1 I2&I5 Güven= 2/6 = %33 I2&I5 Güven= 2/6 = %33 I2I2 I1&I5 Güven= 2/7 = %29 I1&I5 Güven= 2/7 = %29 I5I5 I1&I2 Güven= 2/2 = %100 I1&I2 Güven= 2/2 = %100
{I1,I2,I5} öğelerinden elde edilen {I1,I2,I5} öğelerinden elde edilen birliktelik kurallarıbirliktelik kuralları
I1 & I5 I1 & I5 I2 Güven= 2/2 = %100 I2 Güven= 2/2 = %100 I2 & I5 I2 & I5 I1 Güven= 2/2 = %100 I1 Güven= 2/2 = %100 I5 I5 I1 & I2 Güven= 2/2 = %100 I1 & I2 Güven= 2/2 = %100
( Güven > %70 için )( Güven > %70 için )
Kalp kapakçığı hastalıklarının Kalp kapakçığı hastalıklarının belirlenmesibelirlenmesi
Özellik çıkarma
Sınıflandırma
Eğiticili Öğrenme
Veri madenciliği
SınıflandırılmışÇıkışlar
Dopler ses sinyali
Sistem veri kaynaklarıSistem veri kaynakları
95 normal ve 120 normal olmayan vaka 95 normal ve 120 normal olmayan vaka sinyali ile çalışılmıştırsinyali ile çalışılmıştırYaşları 15 ile 80 arasında değişen yaş Yaşları 15 ile 80 arasında değişen yaş ortalaması 48.77 olan 132 erkek ve 83 ortalaması 48.77 olan 132 erkek ve 83 kadın üzerinde çalışılmıştırkadın üzerinde çalışılmıştır92 sinyal sistemin eğitilmesi için 92 sinyal sistemin eğitilmesi için kullanılmıştırkullanılmıştır123 sinyal test amacıyla kullanılmıştır123 sinyal test amacıyla kullanılmıştır
Çalışma sonucuÇalışma sonucu
Kalp aort kapakcığı Kalp aort kapakcığı Normal Normal Normal Normal DeğilDeğil
Kalp mitral kapakcığıKalp mitral kapakcığıNormal Normal Normal Normal DeğilDeğil
Denenen Denenen örneklerörnekler 3131 4040 1919 3333
Doğru Doğru sınıflandırmasınıflandırma 2626 4040 1616 3030
Yanlış Yanlış sınıflandırmasınıflandırma 55 00 33 33
Normal değerleri tanıma oranı %84 Normal olmayanları tanıma oranı %96
İsokinetik ölçüm düzeneğiİsokinetik ölçüm düzeneği
Ölçülen test sinyalleriÖlçülen test sinyalleri
SistemSistemUzman Uzman HekimHekim
Uzman Uzman olmayan olmayan HekimHekim
15 15 problemli problemli vakavaka
15 ide 15 ide tanındıtanındı
15 ide 15 ide tanındıtanındı
2 si 2 si tanınamadıtanınamadı
5 5 problemsiz problemsiz vakavaka
dördü dördü tanındıtanındı
beşi beşi tanındıtanındı
Üçü Üçü tanındıtanındı
Çalışma sonucuÇalışma sonucu
Ontolojide genler üzerine: İfade Ontolojide genler üzerine: İfade profillerinden gen fonksiyonlarını tahmin profillerinden gen fonksiyonlarını tahmin etmeetmeKanser teşhisinde hücre sınıflandırmaKanser teşhisinde hücre sınıflandırmaİnsan üzerinde glikoz ve insilünün İnsan üzerinde glikoz ve insilünün etkilerini belirlemeetkilerini belirlemeMikroskobik görüntülerin analiz edilmesi Mikroskobik görüntülerin analiz edilmesi ................................................................................
Yapılan bazı çalışmalarYapılan bazı çalışmalar
SonuçSonuç
Veri madenciliği birçok alanda kaçınılmaz Veri madenciliği birçok alanda kaçınılmaz olarak kullanılması gereken bir yaklaşımdırolarak kullanılması gereken bir yaklaşımdır
Gelişmiş ülkelerde birçok kurum ve Gelişmiş ülkelerde birçok kurum ve kuruluş artık yol haritalarını veri kuruluş artık yol haritalarını veri madenciliği teknikleri ile belirlemektedirler madenciliği teknikleri ile belirlemektedirler ve sadece bu işle ilgili personel istihdam ve sadece bu işle ilgili personel istihdam etmeye başlamışlardıretmeye başlamışlardır
Hekim ve bilim adamlarının karar Hekim ve bilim adamlarının karar vermelerinde destek sistemi olarak veri vermelerinde destek sistemi olarak veri madenciliği uzman sistemleri yoğun madenciliği uzman sistemleri yoğun şekilde kullanılmaya başlanmıştırşekilde kullanılmaya başlanmıştır
Tıbbi cihazlar veri madenciliği yazılım ve Tıbbi cihazlar veri madenciliği yazılım ve donanımları ile üretilir duruma gelmiştirdonanımları ile üretilir duruma gelmiştir
Bazı hastalıklar ve nedenleri veri Bazı hastalıklar ve nedenleri veri madenciliği teknikleri ile daha kolay madenciliği teknikleri ile daha kolay analiz edilir ve tanınır duruma gelmiştiranaliz edilir ve tanınır duruma gelmiştir