هوشمندی محاسباتی تصمیم گیری پزشکی بیماران

هوشمندی محاسباتی تصمیم گیری پزشکی بیماران – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه پزشکی

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

هوشمندی محاسباتی در سیستم های تصمیم گیری پزشکی حساس به بیماران

چکیده

مقاله جاری نسبت به خلاصه سازی تحقیقات انجام شده که بوسیله IEEE، والتر کارپلاس، انجام گرفته است، و جایزه سال ۲۰۰۷ جامعه هوش محاسباتی IEEE را از آن خود ساخته است، اقدام می‌‌نماید. در این پروژه ، تحقیقات مشارکتی در آزمایشگاه هوش محاسباتی دانشگاه لوییزویل و لابراتوار تصویر برداری پیشرفته دوک در مرکز پزشکی دانشگاه دوک مورد بررسی قرار می‌گیرد. در این پروژه تکنیک های جامع جهت ارتقای عملکرد روال های قبلی کلاسیفایر تشخیص گر به وسیله کامپیوتر (CAD) به کار گرفته شده اند. این کلاسیفایر یا دسته بندی کننده برای تشخیص توده ها در ماموگرافی طراحی شده است. در نتیجه این پروژه، مقاله‌ای به رشته تحریر درآمده و در ژورنال تصویر برداری پزشکی SPIE به سال ۲۰۰۸ ارائه شده است.

هوشمندی محاسباتی تصمیم گیری پزشکی بیماران

۱-  مقدمه و انگیزه ها

سیستم های تصمیم گیری به کمک کامپیوتر (CAD) در خلال سالیان اخیر مورد توجه قرار گرفته و علی الخصوص در تشخیص های پزشکی بکار برده شده‌اند. سیستم های CAD ارائه دهنده یک نکته نظر ثانویه در زمینه مبانی تشخیصی بیمارانی می‌باشد که دارای اطلاعات بالینی قبلی هستند. در بین وظایف دیگر، سیستم های CAD به طور موفقیت آمیزی در تشخیص سرطان های سینه، ریه وکلون مورد استفاده قرار گرفته اند. برخی از سیستم های موجود از تکنیک های هوش محاسباتی بهره می‌جویند.

اخیراً، تلاش هایی جهت بکارگیری تکنیک های جامع در سیستم های CAD به کار گرفته شده اند. در این پروژه، ما مطالعات بیشتری را در این زمینه مورد بحث قرار می‌دهیم. در این مطالعات ما از یک دیدگاه مدوله سازی استفاده می‌کنیم که در آن موارد مورد بحث به طور اولیه به زیر گروه های مجزایی تقسیم شده اند. پس از آن، کلاسیفایرها بر مبنای هریک از این گروه ها به عنوان سیستم‌های خبره قابل توجه در زمینه انجام وظیفه طبقه بندی مورد استفاده قرار می‌گیرند. پس از آنکه چندین نوع از زیر مجموعه های این کلاسیفایرها ساخته شده و یک ترکیب گر مورد آموزش قرار می‌گیرد تا آنکه نسبت به مشخص نمودن تصمیمات خاص در یک واکنش نهایی اقدام شود.

هوشمندی محاسباتی تصمیم گیری پزشکی بیماران

۲-  طبیعت چندرشته ای این پروژه

پروژه جاری دارای ویژگی های چند رشته ای سطح بالایی می‌باشد. این پروژه متشکل از دانش های خاصی از رشته های مختلف نظیر فیلدهای محاسباتی و هوش مصنوعی، مدیریت بانک اطلاعات و تشخیص پزشکی می‌باشد. در پی الزامات مربوط بدین پروژه مشارکت های دانشمندان از حوزه های مختلف در این زمینه اعمال شده است. به طور مثال پزشکانی از لابراتوار هوش مصنوعی دانشگاه لوئیزویل) مسئول توسعه کاربرد تکنیک های هوش محاسباتی بوده اند. علاوه بر این اطبای دیگری ازدپارتمان رادیولوژی، مرکز پزشکی دانشگاه دوک) تجارب خود را در زمینه تصویربرداری و ویژگی های تصمیم گیری پزشکی بیان داشته‌اند.

در این زمینه نگارنده مطلب نیز بمدت دو بار و در طی مجموعاً دو ماه از دانشگاه دوک بازدید داشته است. این بازدید مشخص کننده ویژگی های تصویر برداری پزشکی بهتر در زمینه سیستم های CAD بوده است. زمانی که دراین دانشگاه سپری شده است باعث تقویت همکاریها بین لابراتوار هوش محاسباتی در دانشگاه لوئیزویل و لابراتوار تصویربرداری پیشرفته دوک در مرکز پزشکی دانشگاه دوک شد.

هوشمندی محاسباتی تصمیم گیری پزشکی بیماران

۳- سابقه

۳-۱ سیستم های CAD ویژگی مدار و بدون ویژگی

این مطالعه بر مبنای مضمون سیستم های کد CAD برای تشخیص سرطان سینه انجام شده است. چنین سیستم هایی قابلیت بهره گیری از اطلاعات بدست آمده از دستگاه های ماموگرافی (تصاویر اشعه X سینه) را دارا می‌باشند. بر این مبنا دو دیدگاه کلی مورد استفاده قرار گرفت: دیدگاه ویژگی مدار و دیدگاه بدون ویژگی. در دیدگاه ویژگی مدار مجموعه ای از خصیصه ها از تصویر اشعه X با استفاده از یک الگوریتم پردازش تصویر حاصل آمد. پس از آن، این خصیصه ها در فرآیند طبقه بندی موارد به کار گرفته شدند. در بین کلاسیفایرهایی که می‌توان از آنها در این الگو استفاده نمود شبکه های عصبی (NN)، آنالیز تمایز خطی (LDA) کلاسیفایر بیزی (Bayesian)، کلاسیفایر مورد- مدار و موارد دیگر مورد استفاده قرار گرفتند. در دیدگاه بدون ویژگی، که به وسیله دکتر توراسی پیشنهاد گردید، دیدگاه تئوریکی – اطلاعات کلاسیک داده های جفتی مورد استفاده قرار گرفت تا آنکه بتوان نسبت به ارزیابی مشابهت بین دو تصویر اقدام نمود. اصول مورد- مدار، جهت طبقه بندی موارد جدید و نوظهور بر مبنای مشابهت بین موارد پرس و جو و موارد ذخیره شده در بانک اطلاعاتی سیستم بکار گرفته شد.

هوشمندی محاسباتی تصمیم گیری پزشکی بیماران

۴- روش ها

اکثریت این روش ها و تجارب حاصله در کنفرانسی که نتایج تحقیقات را در این پروژه مورد بررسی قرار می‌داد عرضه گردید. این مقاله نیز روال های پیشرفت در زمینه تصویر برداری پزشکی SPIE در سال ۲۰۰۸ را مورد بررسی قرار می‌دهد. بنابراین، تنها خلاصه ای از روشها و نتایج در اینجا عرضه شده اند.

در این مقاله، ما استفاده از تکنیک تجمعی، جهت ارتقای عملکرد داده های ارائه شده تئوریکی قبلی در زمینه سیستم CAD (IT-CAD)، را پیشنهاد می‌کنیم. بدین منظور، مجموعه بانک اطلاعات نمونه ها به چندین زیرمجموعه انحصاری تقسیم می‌شوند. این تقسیم بندی به صورت تصادفی و با استفاده از روال دسته بندی یا کلاسترینگ میانگین – K بر مبنای هفت خصیصه بافتی استخراج شده از ROIs حاصل شده است. پس از آن آنالیز تمایز خطی (LDA) جهت ترکیب خروجی های کلاسیفایرها بر مبنای زیر مجموعه های مورد بحث بکارگرفته می‌شود. بر این اساس در این مبحث نشان داده می‌شود که چنین دیدگاهی قابلیت ارائه رویه‌های ارتقا یافته قابل توجه و آماری، در زمینه مقادیر برآورد شده عملکرد با استفاده از ویژگی اپراتور دریافت کننده (ROC)، را خواهد داشت.

هوشمندی محاسباتی تصمیم گیری پزشکی بیماران

۵-  آزمایشات

۵-۱  بانک اطلاعات

 برای اهداف آزمایشی از تصاویر ماموگرافی استخراج شده از بانک اطلاعاتی دیجیتالی (Screening Mammography (DDSM استفاده شد. این تصاویر ماموگرافی با استفاده از اسکنر LUMISYS دیجیتالی گردیدند. موارد قابل توجه (ROIs) به صورت پیکسل های ۵۱۲*۵۱۲ از تصاویر ماموگرافی استخراج شد. مجموعه داده های استخراج شده شامل ۹۰۱ ناحیه مربوط به توده ها و ۹۱۹ ناحیه مربوط به موارد طبیعی بوده است. آن دسته از نواحی که نشان دهنده موارد طبیعی می‌باشند به روشی تصادفی از تصاویر گرافیکی ماموگرافی استخراج شده اند.

۵-۲ آزمایش ۱: مشارکت یک شبکه عصبی در سیستم تجمعی

در این آزمایش، شبکه های عصبی بازخوردی (به جای LDA) به کار گرفته شد تا اینکه اجزای تجمعی به صورت ترکیبی عرضه گردد. مجموعه مثال های آموزشی با استفاده از دیدگاه leave-one-out اعمال شده است. ۳ نورون یا یاخته عصبی مخفی و یک نورون خروجی نیز مورد استفاده قرار گرفت. تابع فعال سازی برای کلیه نورون ها یا یاخته ها به صورت خطی اجرا شد. در این آموزش روال خطای پس انتشاری با کمیت حرکت استفاده گردید.

۵-۳  آزمایش ۲: مشارکت کلاسترینگ فازی در سیستم تجمعی

در این آزمایش یک مرحله به سمت جلو حرکت نموده و سیستم کلاسترینگ فازی با میانگین –C به جای کلاسترینگ –K قرار گرفت. به طور مشابه همانند آزمایش ۱، شبکه عصبی جهت ترکیب واکنش های اجزای تجمعی و حاصل آوردن یک تصمیم نهایی به کار گرفته شد. علاوه براین وارسی های اعتبار ۱۰ تایی نیز جهت ارزیابی عملکرد سیستم مورد استفاده قرار گرفت. نتایج در شکل ۲ نشان داده شده اند. این موضوع را می‌توان مشاهده نمود که عملکرد سیستم مبتنی بر میانگین – C  در مقایسه با عملکرد میانگین – K تنها دو مورد از تفاوت را مشخص می‌سازد که برمبنای میانگین – C فازی بوده است که نسبتاً عملکرد پایین تری در مقایسه با سیستم بر مبنای میانگین K  داشته است. البته به هنگامی که تنها دو کلاستر مورد استفاده قرار گرفته است، اما از طرف دیگر این مورد عملکرد ثبات بیشتری را برای تعداد بالاتری از کلاسترها به اثبات رسانده است.

هوشمندی محاسباتی تصمیم گیری پزشکی بیماران

۶-  نتیجه گیری

در این مبحث نتایج پروژه انجام شده به وسیله جامعه هوش محاسباتی IEEE معرفی شده است . این پروژه متشکل از همکاری بین لابراتوار هوش محاسباتی در دانشگاه لوئیزویل ولابراتور تصویربرداری پیشرفته دوک در مرکز پزشکی دانشگاه دوک می‌باشد، و علاوه بر این شامل ویزیت های نگارنده از این لابراتوار بوده است. نتایج تحقیقات انجام شده در این پروژه در کنفرانس مربوطه عرضه شده است که تحت عنوان کنفرانس تصاویر تصویربرداری پزشکی SPIE 2008 در فوریه ۲۰۰۸ انجام گرفت.