1 / 34

Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi: VERİ MADENCİLİĞİ

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

earl
Télécharger la présentation

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi:VERİ MADENCİLİĞİ

  2. 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

  3. VERİ ÇEŞİTLERİ • Tıbbi veriler • Uydulardan gelen veriler • Finans verileri • Alışveriş verileri • İnsan kaynakları verileri • Otomasyon verileri • E-kütüphaneler • ………………..

  4. Tıbbi veriler • Metin veriler Raporlar Tahlil sonuçları v.b. • Örüntü verileri Filmler mikroskop verileri ultrason verileri Kamera verileri v.b. örüntüler • Otomasyon verileri

  5. VERİ ZENGİNİ – BİLGİ FAKİRİ

  6. Bilginin kullanımı • Karar destek sistemlerinde • Strateji belirlemede • Finans ve alışverişte kar amaçlı veya zarar tespitinde • Bilimsel analizlerde • Akıllı robotlar ve cihazlar geliştirmede • Tahmin etmede • ………………

  7. VERİ MADENCİLİĞİ • Veri toplulukları içerisinde bulunan bilginin keşfedilmesi • Veri toplulukları içerisindeki veri modellerini ve eğilimlerini ortaya çıkarmak için yapay zeka tekniklerinin kullanılması

  8. VERİ MADENCİLİĞİ BİRÇOK DİSİPLİNİN ORTAK BULUŞMA NOKTASIDIR istatistik Veri tabanı teknolojileri Görsel Bilimler VERİ MADENCİLİĞİ Diğer disiplinler Enformasyon bilimleri Makine öğrenmesi

  9. 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

  10. Temel örnek: Veri madenciliği teknikleri ile sepet analizi sonucu: Çocuk bezi alanların %30 u bira da alır

  11. Bazı veri madenciliği modelleri • Kavram tanımlama • Birliktelik kuralları keşfi • Sınıflandırma ve tanıma • Kümeleme

  12. 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 • ……………………………

  13. Veri madenciliği için izlenilen yol Değerlendirme Veri madenciliği Veri Ambarı Temizleme ve bütünleştirme Ver Tabanı Veri Tabanı Dosyalar

  14. 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.

  15. Örnek: Birliktelik kurallarının keşfi

  16. Minimum destek =2

  17. Minimum destek =2

  18. {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

  19. {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 )

  20. Kalp kapakçığı hastalıklarının belirlenmesi Dopler ses sinyali Sınıflandırılmış Çıkışlar Sınıflandırma Özellik çıkarma Eğiticili Öğrenme Veri madenciliği

  21. 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

  22. Çalışma sonucu Normal değerleri tanıma oranı %84 Normal olmayanları tanıma oranı %96

  23. İsokinetik ölçüm düzeneği

  24. Ölçülen test sinyalleri

  25. Çalışma sonucu

  26. 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 • ........................................

  27. 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

  28. 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

More Related