توضیحی مختصر از متن فایل  :

چكيده: مجهز شدن علم پزشكي به ابزارهاي هوشمند در تشخيص و درمان بيماري‌ها مي تواند اشتباهات پزشكان و خسارت جاني و مالي را كاهش مي‌دهد. دراين مقاله كاربردها نوعي شبكه‌هاي عصبي در پزشكي مورد بررسي قرار گرفته است تلاش مابراين بوده است كه مقاله هم براي محققان هوش مصنوعي و هم براي پزشكي قابل استفاده باشد. بررسي نمونه‌هاي عملي انجام شده‌ ايده‌هاي مناسبي براي تحقيقات بعدي ايجاد مي كند. بخش 1 مقدمه‌اي بر سوابق شبكه‌هاي عصبي در علم پزشكي مي باشد. بخش 2 به بررسي روش‌هاي استفاده از شبكه‌هاي عصبي در تشخيص بيماري‌ها مي پردازد. پيش بيني آگاهي در مورد امراض در بخش 3 و كاربرد شبكه‌هاي عصبي در مهندسي پزشكي در بخش 4 بررسي مي‌شوند با ارائه جمع بندي در بخش 5 مقاله خاتمه مي‌يابد.

كلمات كليدي: شبكه‌هاي عصبي، تشخيص بيماري، پيش آگاهي بيماري، مهندسي پزشكي.

1- مقدمه

شبكه‌هاي عصبي از اواخر 1980 در پزشكي مورد استفاده قرار گرفتند. هر دو نوع شبكه با يادگيري با معلم (Supervised) و بدون معلم (unsupervised) به عنوان راهكارهاي  موفقي در طب استفاده شده‌اند. در بسياري از تحقيقات طبي كه نتيجه گيري از داده‌هاي حجيم مربوط به يك بيماري خاص به طور دستي امكان نداشته است، شبكه‌هاي عصبي توانسته‌اند در تشخيص بيماري به پزشكان ياري رسانند. همچنين در بسياري از مسائل پزشكي نظير پيش بيني اميد زندگي بيماران خاص و يا ساخت و يا ساخت ابزارهاي پزشكي شبكه‌هاي عصبي مورد بهره‌برداري قرار گرفته‌اند. دقت و صحت نتايج نهايي بدست آمده از شبكه فقط به ساختار شبكه وابسته نبوده بلكه به داده‌هايي كه  براي آموزش شبكه به كار مي‌روند نيز بستگي دارد. اگر اطلاعات درست از تعداد بيماران بيشتري در دست باشد، عملكرد شبكه بهبود قابل توجهي خواهد يافت.

* نكته مهم، نحوة استخراج اطلاعات در بيماري و يا هر كاربرد ديگر پزشكي است سعي شده است كه به نحوي قابل فهم اين روش‌ها در هر سه مورد شرح داده شوند، تا ديد لازم به افراد متخصص علاقه‌مند داده شود. كاربردهاي شبكه عصبي پزشكي را در سه بخش ارائه داده‌ايم: تشخيص بيماري‌ها، پيش بيني و پيش آگاهي، مهندسي پزشكي.

2- تشخيص بيماري‌ها

تشخيص بيماري‌ مهمترين مرحله كار درمان مي باشد. به علت اين كه در بسياري از موارد پردازش داده‌هاي وسيع مربوط به يك بيماري خاص به طور دستي براي پزشكان امكان ندارد و يا بسيار پيچيده و طولاني است به كار بردن شبكه‌هاي عصبي كه بسيار سريع و تا حد قابل قبولي قابل اعتمادند، توانسته بسياري از اين مشكلات را حل كند. نحوة استخراج اطلاعات در هر بيماري بسيار با اهميت است و هر چه از تعداد بيماران بيشتري استفاده شود، عملكرد شبكه بهتر خواهد بود. در اينجا چند نمونه از تحقيقات انجام گرفته را بررسي مي كنيم.

الگوریتم gradient descent

با توجه به نحوه تعریف E  سطح خطا  بصورت یک سهمی خواهد بود. ما بدنبال وزنهائی هستیم که  حداقل خطا را داشته باشند . الگوریتم  gradient descent  در فضای وزنها بدنبال برداری میگردد که خطا را حداقل کند. این الگوریتم از یک مقدار دلبخواه برای بردار وزن شروع کرده و در هر مرحله وزنها را طوری تغییر میدهد که  در جهت  شیب کاهشی منحنی فوق خطا کاهش داده شود.

مشکلات روش gradient descent

1. ممکن است همگرا شدن به یک مقدار مینیمم زمان زیادی لازم داشته باشد.
2. اگر در سطح خطا  چندین مینیمم محلی وجود داشته باشد تضمینی وجود ندارد که الگوریتم  مینیمم مطلق را پیدا بکند.

در ضمن این روش وقتی قابل استفاده است که:

l       فضای فرضیه دارای فرضیه های پارامتریک پیوسته باشد.

l      رابطه خطا قابل مشتق گیری باشد

تقریب افزایشی gradient descent

میتوان بجای تغییر وزنها پس از مشاهده همه  مثالها، آنها را  بازا هر مثال مشاهده شده تغییر داد. در این حالت وزنها بصورت افزایشی incremental تغییر میکنند.  این روش را  stochastic gradient descent نیزمینامند.