![]() | Only 14 pages are availabe for public view |
Abstract يعد التشخيص الطبي القائم على التعلم الآلي مجالًا بحثيًا أساسيًا ونشطًا ومتعدد التخصصات ويجعل التشخيص الذكي وأنظمة دعم القرار لها تأثير عميق على معلوماتية الرعاية الصحية. يعزز دمج أنظمة تصنيف التعلم الآلي في أنظمة التشخيص بمساعدة الكمبيوتر الاكتشاف المبكر للأمراض ، مما يؤدي إلى علاجات أكثر فعالية وإطالة مدة البقاء على قيد الحياة. إن تحليل مجموعات البيانات الطبية المنتشرة والمتعددة المتغيرات والمعقدة وتفسيرها له فوائد هائلة للطب. على مدى عقود ، تم إجراء العديد من الدراسات البحثية بناءً على تقنيات التعلم الآلي واستخراج البيانات من أجل التفسير والتحليل الذكي للبيانات. تنتج التطورات المستمرة في العلوم والتقنيات الطبية حجمًا كبيرًا من البيانات على مستويات متنوعة من الأنظمة البيولوجية. يمكن أن يؤدي تحليل كمية كبيرة من البيانات الطبية إلى تحسين جودة تشخيص المرض وتحسين وظائف أنظمة المعلومات الصحية. تعريف المشكلة البيانات الطبية هي مجموعات بيانات عالية الأبعاد ، مما يجعل عملية بناء نموذج تصنيف يبحث عن أفضل مجموعة من الميزات مهمة صعبة تكون مجموعات البيانات الطبية مجموعات بيانات عالية الأبعاد ؛ لذلك يعد تطوير نماذج التصنيف وطرق اختيار الميزات مشكلة صعبة نسبيًا. فإن اختيار الميزة يتعامل مع تقليل أبعاد البيانات واختيار السمات الأكثر صلة فقط لزيادة أداء التصنيف وتقليل التكلفة الحسابية , يعد اختيار الميزة أمرًا ضروريًا في التعلم الآلي واستخراج البيانات عندما يكون لدينا مجموعات بيانات عالية الأبعاد ذات ميزات زائدة عن الحاجة وفضولية وغير ذات صلة. نهدف إلى حل المشكلة أعلاه من خلال: • يتعامل مجال اختيار المعالم مع تقليل أبعاد البيانات واختيار السمات الأكثر صلة فقط لزيادة أداء التصنيف وتقليل التكلفة الحسابية. • استخدام خوارزميات التحسين التي توفر أنظمة دعم القرار في التشخيص الطبي. أهمية البحث نظرًا لزيادة التقنيات الحسابية والطبية ، نلاحظ زيادة في حجم البيانات المتعلقة بالصحة والطب حيث ان التنبؤ بالأمراض له دور حيوي في المعلوماتية الصحية حيث يساعد الاكتشاف المبكر للأمراض في اتخاذ خطوات وقائية وعلاج وظيفي أكثر. إن دمج نماذج التصنيف الذكية وطرق تحليل البيانات له تأثير جوهري على تحويل البيانات التى ليس لها قيمة إلى معرفة مفيدة جديرة بالاهتمام. هيكلية الرسالة • الفصل الاول: يقدم الفصل الاول مقدمة عن اهميه التشخيص الطبي والطرق المستخمة لمعالجة البيانات كما يقدم وصف للقضية محل الدراسة والاسهامات التى تقدمها الرسالة ويوضح تسلسل الرسالة. • الفصل الثاني: مراجعة شاملة عن إطار التعلم الآلي المعتمد علي خوارزميات السرب للتشخيص الطبي. يقدم هذا الفصل نظرة عامة عن عناصر مختلفة مثل خوارزميات ذكاء السرب و تقنيات التعلم الآلي، مجالات تطبيق خوارزميات السرب و تقنيات التعلم الآلي في التشخيص الطبي، مجموعات قواعد البيانات الطبية المستخدمة، معلمات الخوارزميات، ومقاييس تقييم الأداء. • الفصل الثالث: خوارزمية فعالة لقوالب الوحل مدمجة مع المصنف kNN لمهام التصنيف الطبي. يقترح هذا الفصل ISMA، نسخة محسّنة من خوارزمية قوالب الوحل (SMA) مهجنة مع إستراتيجية التعلم القائم على المعارضة (OBL) بناءً على (kNN) لمقاربة التصنيف. تهدف ISMA إلى التغلب على عوائق SMA الأصلي، والتي تقع في التقارب المبكر وتعاني من عدم كفاية التوازن بين الاستغلال والاستكشاف، لا سيما عند حل المشكلات عالية الأبعاد. • الفصل الرابع: خوارزمية تحسين البحث والإنقاذ المبنية على الطفرات الغامضة لاختيار الميزات وتصنيفها. يقترح هذا الفصل خوارزمية تحسين البحث والإنقاذ المبنية على الطفرات (CMSAR) المبنية على أساس مصنف (kNN) لتصنيف المرض. تم اقتراح CMSAR لحل التقارب المبكر وتحسين القدرة على البحث المحلي لخوارزمية SAR. الفصل الخامس: ينقسم هذا الفصل الى قسمين حيث يقدم القسم الاول خلاصة الاطروحة من حيث المشكلة والحلول الحالية وبعرض الطرق بايجاز موضحا النتائج التي تم الحصول عليها ويأتي الجزء الثاني بعرض الاجزاء المقترحة والمتبقية كنقاط بحثية يوصي بتغطيتها كعمل مستقبلي للرسالة. التوصيات: • استخدام المودل المقترح مع مشاكل اخري مثل حل مشكلة المرور. • تطبيق المودل المقترح على قاعدة بيانات امراض اهري غير المسخدمة • استخدام الموودل المقترح مع مصنف اخر. |