من تعدادی کتاب در اینجا آپلود کردم که در مورد مدلسازی در پزشکی هستند. البته کتابهای اول و دوم در حال حاضر خیلی برای شما مناسب نیستند ولی بد نیست که این کتاب ها را که هر کدام حدود ۴۰۰-۳۰۰ صفحه هستند را به سرعت نگاه کنید (تصویرها و معادلات به کار رفته را ببینید) تا یک ذهنیت عمومی از کارهایی که در این زمینه ها انجام می‌شود به دست آورید.
کتابی که بیشتر مدنظرم بود شما در حال حاضر مطالعه کنید کتاب سوم هست که به توضیح در مورد روش‌های محاسباتی مبتی بر شبکه‌های عصبی مصنوعی (Artificial Neural Networks) هست بپردازید. به طور ویژه بخش ۳.۲ این کتاب (صفحه‌های ۷۸ تا ۹۳ خود کتاب که معادل صفحه‌های ۹۹ تا ۱۳۵ فایل pdf گذاشته شده است) را به طور دقیق‌تر بخوانید تا ذهنیتی در مورد این روش به دست آورید. این روش در بسیاری از علوم مهندسی و غیر مهندسی که به شکلی با یک سری داده‌های اندازه‌گیری شده سر و کار دارند از مهندسی برق گرفته تا عمران و پزشکی و غیره میتونه کاربرد داشته باشه.
توضیحاتی در مورد این روش:
به طور کلی این روش به پیش‌بینی یک سری نتایج بر اساس یک سری داده‌هایی که قبلا به اون داده شده عمل می‌کنه. مثلا به طور ساده شما به ایشان ۱۰۰ داده می‌دهید که در اون به قد (پارامتر ورودی اول) و وزن افراد (پارامتر ورودی دوم) و تعداد دفعاتی که تا به حال به پزشک مراجعه کرده‌اند (پارامتر خروجی) اشاره شده. با استفاده از این داده‌ها مدل عصبی مصنوعی خودش رو آموزش میده و اگر شما به این مدل اطلاعات ورودی (یعنی قد و وزن) مربوط به یک سری افراد رو بدهید٬ مدل برای شما پیش بینی می کنه این افراد چند بار در زندگی خودشون به پزشک مراجعه کرده اند (خروجی).
طبیعتا در داده‌های موردنظر افرادی که شاخص توده بدنی خیلی کوچک یا بزرگی داشته‌اند بیشتر به پزشک مراجعه کرده‌اند و این مدل هم با توجه به داده‌هایی که به اون داده شده این موضوع رو متوجه میشه و بار بعد که به اون اطلاعات مربوط به قد و وزن یک فرد داده بشه این موضوع رو پیش بینی می کنه که اون فرد چند بار به پزشک مراجعه می کنه.
حالا این مثال ساده را تعمیم بدهید به حالتی که شما ۲۵ پارامتر ورودی (مثل فشار خون٬ قند و غیره) و همین طور یک یا ۲ پارامتر خروجی مثل نرخ رشد تومور سرطانی یا تراکم اون رو که مربوط به ۲۰۰ بیمار هست رو به مدل بدهید. مدل با استفاده از اطلاعات ورودی و خروجی این ۲۰۰ بیمار خودش رو آموزش میده و اگر شما مثلا اطلاعات ورودی یک سری بیمار جدید (همون ۲۵ پارامتر) رو به مدل بدهید می تونید پیش‌بینی کنید که نرخ رشد تومور سرطانی یا تراکم اون (خروجی‌های مدل) چقدر خواهد بود.
در زیر به طور خلاصه توضیح می دهم که ساختار مدل شبکه عصبی مصنوعی چطور هست و چطور این کار رو انجام میده. در این شکل x1, x2, x3 در واقع همون پارامترهای ورودی هستند (فشار خون٬ قند و یا هر پارامتر دیگری) که تعدادشون می تونه بسته به تعداد داده‌های اندازه گیری شده هر مقدار دلخواهی رو داشته باشه. در سوی دیگر مدل y1, y2, y3 قرار دارند که اینها همون خروجی های مدل هستند (مثلا نرخ رشد تومور سرطانی و غیره) و اینها هم تعدادشون میتونه به صورت دلخواه توسط کاربر انتخاب بشه. معمولا تعداد خروجی ها محدود هست و تعداد ورودی ها بیشتر٬ چون در اغلب موارد هدف بررسی اثر پارامترهای ورودی بر چند پارامتر خروجی هست که مدنظر مطالعات هستند.
یک سری لایه ها در بین این دو قرار دارند که تعداد این لایه ها و همین طور تعداد نقاط اونها می تونه توسط کاربر تنظیم بشه. کار این لایه های میانی مدل در واقع اختصاص دادن ضرایبی و ورن دهی هایی به پارامترهای ورودی و مرتبط کردن اونها به پارامترهای خروجی هست. وقتی این وزن دهی ها صورت گرفت در واقع گفته میشه مدل آموزش دیده شده است. این مدل با استفاده از این اعداد و ضرایب وزن دهی شده این توانایی رو خواهد داشت که وقتی در آینده اطلاعات ورودی دیگری به اون داده بشه٬ پارامترهای خروجی رو محاسبه کنه.
![[عکس: 46667179512435941889.png]](http://axgig.com/images/46667179512435941889.png)
معادلات حاکم بر این روش محاسباتی رو میشه در قسمت هایی از کتاب که گفتم و به طور کلی در تمام اون کتاب به صورت جزپی دید که توسط ریاضی‌دانان مختلف توسعه و پیشنهاد داده شده اند و در علوم مختلف مورد استفاده مهندس ها و غیره قرار می گیرند. نرم افزار این مدل هم موجود هست که این محاسبات را به صورت خودکار انجام میده و در نتیجه در صورتی که شما یک دید حداقلی از روش کار این مدل داشته باشید می تونید با نرم افزار اون کار کنید.
در صورتی که داده های اندازه گیری شده از نوعی که در بالا گفتم در اختیار داشتید و بعد از مطالعه این روش به اون علاقه داشتید می تونم نرم افزار اون رو در اختیار شما قرار بدهم و یک توضیحات کلی رو در مورد روش کار با اون بدهم که استفاده کنید.
کتابی که بیشتر مدنظرم بود شما در حال حاضر مطالعه کنید کتاب سوم هست که به توضیح در مورد روش‌های محاسباتی مبتی بر شبکه‌های عصبی مصنوعی (Artificial Neural Networks) هست بپردازید. به طور ویژه بخش ۳.۲ این کتاب (صفحه‌های ۷۸ تا ۹۳ خود کتاب که معادل صفحه‌های ۹۹ تا ۱۳۵ فایل pdf گذاشته شده است) را به طور دقیق‌تر بخوانید تا ذهنیتی در مورد این روش به دست آورید. این روش در بسیاری از علوم مهندسی و غیر مهندسی که به شکلی با یک سری داده‌های اندازه‌گیری شده سر و کار دارند از مهندسی برق گرفته تا عمران و پزشکی و غیره میتونه کاربرد داشته باشه.
توضیحاتی در مورد این روش:
به طور کلی این روش به پیش‌بینی یک سری نتایج بر اساس یک سری داده‌هایی که قبلا به اون داده شده عمل می‌کنه. مثلا به طور ساده شما به ایشان ۱۰۰ داده می‌دهید که در اون به قد (پارامتر ورودی اول) و وزن افراد (پارامتر ورودی دوم) و تعداد دفعاتی که تا به حال به پزشک مراجعه کرده‌اند (پارامتر خروجی) اشاره شده. با استفاده از این داده‌ها مدل عصبی مصنوعی خودش رو آموزش میده و اگر شما به این مدل اطلاعات ورودی (یعنی قد و وزن) مربوط به یک سری افراد رو بدهید٬ مدل برای شما پیش بینی می کنه این افراد چند بار در زندگی خودشون به پزشک مراجعه کرده اند (خروجی).
طبیعتا در داده‌های موردنظر افرادی که شاخص توده بدنی خیلی کوچک یا بزرگی داشته‌اند بیشتر به پزشک مراجعه کرده‌اند و این مدل هم با توجه به داده‌هایی که به اون داده شده این موضوع رو متوجه میشه و بار بعد که به اون اطلاعات مربوط به قد و وزن یک فرد داده بشه این موضوع رو پیش بینی می کنه که اون فرد چند بار به پزشک مراجعه می کنه.
حالا این مثال ساده را تعمیم بدهید به حالتی که شما ۲۵ پارامتر ورودی (مثل فشار خون٬ قند و غیره) و همین طور یک یا ۲ پارامتر خروجی مثل نرخ رشد تومور سرطانی یا تراکم اون رو که مربوط به ۲۰۰ بیمار هست رو به مدل بدهید. مدل با استفاده از اطلاعات ورودی و خروجی این ۲۰۰ بیمار خودش رو آموزش میده و اگر شما مثلا اطلاعات ورودی یک سری بیمار جدید (همون ۲۵ پارامتر) رو به مدل بدهید می تونید پیش‌بینی کنید که نرخ رشد تومور سرطانی یا تراکم اون (خروجی‌های مدل) چقدر خواهد بود.
در زیر به طور خلاصه توضیح می دهم که ساختار مدل شبکه عصبی مصنوعی چطور هست و چطور این کار رو انجام میده. در این شکل x1, x2, x3 در واقع همون پارامترهای ورودی هستند (فشار خون٬ قند و یا هر پارامتر دیگری) که تعدادشون می تونه بسته به تعداد داده‌های اندازه گیری شده هر مقدار دلخواهی رو داشته باشه. در سوی دیگر مدل y1, y2, y3 قرار دارند که اینها همون خروجی های مدل هستند (مثلا نرخ رشد تومور سرطانی و غیره) و اینها هم تعدادشون میتونه به صورت دلخواه توسط کاربر انتخاب بشه. معمولا تعداد خروجی ها محدود هست و تعداد ورودی ها بیشتر٬ چون در اغلب موارد هدف بررسی اثر پارامترهای ورودی بر چند پارامتر خروجی هست که مدنظر مطالعات هستند.
یک سری لایه ها در بین این دو قرار دارند که تعداد این لایه ها و همین طور تعداد نقاط اونها می تونه توسط کاربر تنظیم بشه. کار این لایه های میانی مدل در واقع اختصاص دادن ضرایبی و ورن دهی هایی به پارامترهای ورودی و مرتبط کردن اونها به پارامترهای خروجی هست. وقتی این وزن دهی ها صورت گرفت در واقع گفته میشه مدل آموزش دیده شده است. این مدل با استفاده از این اعداد و ضرایب وزن دهی شده این توانایی رو خواهد داشت که وقتی در آینده اطلاعات ورودی دیگری به اون داده بشه٬ پارامترهای خروجی رو محاسبه کنه.
در صورتی که داده های اندازه گیری شده از نوعی که در بالا گفتم در اختیار داشتید و بعد از مطالعه این روش به اون علاقه داشتید می تونم نرم افزار اون رو در اختیار شما قرار بدهم و یک توضیحات کلی رو در مورد روش کار با اون بدهم که استفاده کنید.
(05-11-2013, 03:13 AM)'snm' نوشته: re mike:
چقدر عالی مدلسازی رو برام توضیح دادین واقعا ممنونم . چند سوال داشتم؟
برای طرح فرضیات مساله و مدلسازی که فرمودین نیاز به مطالعه کتابهای فیزیک هست یا اینکه از چه رشته ای می تونم کمک بگیرم؟
در خصوص حل معادلات و محاسبات بسیار علاقه مندم و میخوام خودم در این زمینه فعالیت کنم از کجا شروع کنم از کتابهای دیفرانسیل دانشگاهی؟
یعنی حل معادلات با نرم افزار کافیه پس ریاضی در کجا کاربرد داره ؟
ای دگرگون کننده ی دل ها و چشم ها / ای گرداننده ی روزها و شب ها / ای تغییر دهنده ی روزگار و انسان ها / حال ما را به بهترین حال دگرگون فرما
.We are all visitors to this time, this place. We are just passing through. Our purpose here is to observe, to learn, to grow, to love... and then we return home
Aboriginal Proverb -
