دانلود رایگان ترجمه مقاله سیستم پیشنهادی مبنی بر نمونه تصویر داده کاوی پزشکی (نشریه الزویر ۲۰۱۷)

این مقاله انگلیسی ISI در نشریه الزویر در ۸ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۹ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

سیستم پیشنهادی مبنی بر نمونه تصویر داده کاوی پزشکی

عنوان انگلیسی مقاله:

Visual instance-based recommendation system for medical data mining

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
چاپ شده در کنفرانس دوازدهمین کنفرانس بین المللی میتنی بر دانش و اطلاعات هوشمند و سیستم های مهندسی – ۲۱th International Conference on Knowledge Based and Intelligent Information and Engineering Systems
کلمات کلیدی اکتشاف، توصیه، داده های پزشکی، یادگیری مبتنی بر نمونه
ارائه شده از دانشگاه گروه غدد درون ریز، دیابت و تغذیه، بیمارستان دانشگاه ریمز، فرانسه
رفرنس دارد  
کد محصول F1188
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۹ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر ترجمه نشده است 
ترجمه متون داخل تصاویر ترجمه نشده است  
درج تصاویر در فایل ترجمه درج شده است 
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب
چکیده
۱- مقدمه
۲- مسئله و مجموعه داده
۳- بررسی داده ها از طریق تجسم و نظریه
۱-۳ گردش کار
۲-۳ الگوریتم
۴- برنامه کاربردی 
۵- نتیجه گیری و کارهای آتی
 

 

بخشی از ترجمه
 چکیده
این مقاله یک الگوریتم مبتنی بر نمونه را ارائه می دهد که می تواند با ایجاد ارتباط دو طرفه بین بیماران، مجموعه داده های پزشکی بزرگ را کشف کند. در روش متریک آزاد ما، هر فرد در یک مجموعه داده، هر عضو از مجموعه داده را رده بندی می کند. با جمع آوری این صفوف،تجسم داده با توجه به افراد معمولی نشان دهنده زیر مجموعه های بیماران خویشاوند نزدیک، ممکن است. این مقاله همچنین یک ابزار تجسم برای بررسی پایگاه داده بیماران دیابتی را توصیف می کند. این نمونه اولیه از یک سیستم پیشنهادی، الگوریتم فوق را برای پر مایه کردن داده ها، ساختار بیماران، ایجاد ارتباط بین افراد و ارائه پیشنهاد ها، پیاده سازی می کند.
 
۱- مقدمه
با توجه به اینکه پرونده های پزشکی الکترونیکی و سنسورهای پوشیدنی گسترده تر می شود، مجموعه داده های پزشکی با استفاده از روش های خاص برای اکتشاف به سمت بزرگتر شدن می روند. این مجموعه داده ها با مشکلات جدانشدنی همراه هستند: آنها حاوی داده های با ابعاد بزرگ که می توانند ناهمگن و بدون ساختار باشند، و اغلب شامل ارزش های از دست رفته هستند. با چنین مقدار داده های موجود، پزشکان برای پیدا کردن بیماران مربوطه، به کمک نیاز دارند. آنها بر روی سیستم های توصیه شده جهت مرور، کشف و دستکاری مدارک تکیه می کنند و این امر به آنها اجازه می دهد که ارتباط بین بیماران مشابه را پیدا کنند. با وجود استفاده از برنامه های کاربردی یادگیری ماشینی و نتایج نشان دهنده امیدوار کننده داده های پزشکی، استفاده از روش های سنتی دقیقا مطابق با زمینه بالینی نیست. این روش ها تمایل به تعمیم دادن و حذف نابرابری ها دارند، الگوریتم ها باید آموزش داده شوند و بیشتر راه حل های “جعبه سیاه” هستند که باعث کاهش قابلیت تفسیر می شوند. در حالی که آنها در تلاش برای پیش بینی بیماری ها به خوبی عمل می کنند، آن الگوریتم ها هنگامی که سعی در تشخیص بیماری های مشابه و مطالعه بیماران غیرطبیعی را بدون توجه بر تخصص دامنه دارند، مناسب نیستند. هدف از این مقاله ارائه یک روشی است که قادر به ساختن عناصر یک مجموعه داده با ایجاد ارتباط بین آنها است. ساختار به دست آمده با اندازه گیری نمایندگی، داده ها را غنی می کند و این راهی برای تجسم افراد معمولی یا بیماران مشابه در پایگاه داده پزشکی است. الگوریتم پیشنهادی به منظور جلوگیری از تعمیم افراطی مبتنی بر نمونه است. این نیز یک روش شبیه سازی استدلال پزشکان مواجهه با بیماران جدید است: آنها افراد جدید را با موارد مواجه شده گذشته مطابقت می کنند. مزیت دیگر این روش سهولت است که کاربر می تواند محدودیت ها در قواعد ارتباط بین عناصر را بیان کند و آن را یک ابزار قابل تنظیم سازد. جزء اصلی روش ما، یک الگوریتم انتخابی است که افراد نمره ای برای هر عضو از مجموعه داده اختصاص می دهند تا بتوانند معرف ترین افراد در سراسر جمعیت را تعیین کنند (این مفهوم نزدیک به شکل های اولیه دسته است، اما به هیچ گام اولیه خوشه بندی در مجموعه داده نیاز ندارد). با استفاده از توابع مختلف برای محاسبه نمره هر فرد، ساختار خروجی به راحتی می تواند تغییر کند.
این بخش به بخش های زیر تقسیم می شود: ابتدا برخی از زمینه های مربوط به کار مان، مشکلاتی که با آنها برخورد می کنیم و داده هایی که ما برای نشان دادن این مقاله استفاده می کنیم را به اشتراک می گذاریم. بخش دوم تمرکز بر مفاهیم و الگوریتم هایی است که داده ها را ارزشمند می کنند و پیشنهادها ها را به وجود می آورند. بخش زیر جزئیات دقیق ابزار تجسم و اکتشافی را که ما با استفاده از الگوریتم های فوق الذکر انجام دادیم شرح می دهد. این مقاله با بحث و ارائه آثار مربوط به آینده به پایان می رسد.

 

بخشی از مقاله انگلیسی

Abstract

This paper presents an instance-based algorithm allowing exploration of large medical dataset by making pairwise connection between patients. In our metric-free method, each individual in a dataset ranks every member of the dataset. By aggregating these ranks, it is then possible to visualize data according to typical individuals representing subsets of closely-related patients. The paper also describes a visualization tool allowing exploration of a database of diabetic patients. This prototype of a recommendation system implements the aforementioned algorithm to enrich data, structure patients, create associations between individuals and provide recommendations.

۱ Introduction

As electronic health records and wearable sensors become more widespread, medical datasets tend to be larger and call for specific methods of exploration. These datasets come with inherent problems : they contain high-dimensional data 1 which can be heterogeneous and unstructured, often including missing values. With such amount of available data, doctors need assistance to find relevant patients. They rely on recommendation systems to browse 2,3, explore and manipulate records, allowing them to find links between similar patients. Despite machine learning applications to medical data showing promising results 4, use of traditional approaches does not exactly fit the clinical context 5. These approaches tend to generalize and exclude outliers, algorithms need to be trained and most solutions prove to be “black boxes” that reduce interpretability6,7. While they perform well when trying to predict diseases, those algorithms are not suitable when trying to understand the same diseases and study atypical patients without heavily relying on domain expertise. The purpose of this paper is to provide a method able to structure elements of a dataset by creating associations between them. The resulting structure enriches data with measures of representativeness ,and is a way to visualize typical individuals or similar patients in a medical database. The proposed algorithm is instance-based, as to avoid overgeneralization. It is also a mean of simulating the reasoning of doctors faced with new patients : they match new individuals with past cases they encountered. Another advantage of this method is the ease with which a user can express constraints on the association rules between elements, making it a customizable tool. The main component of our method is an election algorithm where individuals attribute a score to every member of the dataset, in order to determine the most representative individuals across the population (this concept is close to class prototypes, but does not need any prior clustering step on the dataset 9). By using different functions to calculate the score of each individual, the output structure can easily be modified. This contribution is divided into the following sections : first we share some background related to our work, the problems we tackle and the data we use to illustrate this article. The second section focuses on concepts and algorithms that enrich data and create recommendations. The following section describes in details the visualization and exploration tool we built using the aforementioned algorithms. This paper ends with a discussion and presentation of future related works.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا