امروز

چهارشنبه ۱۶ آذر ۱۴۰۱

چکیده

توسعه روزافزون فناوری منجر به افزایش داده‌های دیجیتال در زمینه‌های مختلف از جمله پزشکی شده‌است. تجزیه و تحلیل احساسات در مجموعه داده‌های متون پزشکی برای کمک به پزشکان و ارائه بینش در مورد بازخورد بیماران در مورد روش درمان ضروری است. بنابراین، این مطالعه مدل‌های هوش‌مصنوعی را برای پیش‌بینی احساسات بیماران توسعه داده است. در این مطالعه، یک مجموعه داده حجیم نظرهای دارویی که از تارنما بازیابی شده‌است برای تحلیل احساست نسبت به داروها استفاده شده‌است. سه سناریو متفاوت از احساس و امتیاز بیماران در نظر گرفته شده‌است. در این تحقیق الگوریتم کلمه به بردار (Word2Vec) و چهار تعبیه کلمه‌های از پیش آموزش‌دیده (Pre-trained Word Ebmeddings)، در حوزه عمومی (گلو) و در حوزه پزشکی و بالینی (پابمد، پی ام سی، و پابمد و پی ام سی) استفاده شده‌است. هفت مدل مختلف یادگیری ماشین و یادگیری عمیق برای پیاده‌سازی سناریوهای مختلف استفاده شده‌است. بهترین فرا پارامترها برای همه مدل‌ها بخوبی تنظیم شده‌اند. افزون بر این، دو مدل یادگیری تجمیعی از مدل‌های یادگیری ماشین و یادگیری عمیق ارائه‌شده توسعه داده‌شده‌اند. همچنین، این مطالعه از یک روش تفسیر و توضیح‌پذیری مدل‌های هوش‌مصنوعی (لایم) برای توضیح فرآیند تصمیم‌گیری مدل استفاده کرده است. این اولین مطالعه‌ای است که از لایم و تعبیه کلمه‌های از پیش‌آموزش‌دیده حوزه بالینی در این مجموعه داده استفاده کرده است. نتایج به‌دست‌آمده نشان‌می‌دهد که مدل یادگیری عمیق تجمیعی با استفاده از تعبیه کلمه از پیش آموزش‌دیده پابمد و پی ام سی، بهترین مدلی است که به بالاترین میزان دقت و امتیاز-اف1 در تمامی سناریوها دست یافته‌است. بهترین مدل توسعه‌یافته این مطالعه به‌عنوان یک ابزار کمکی در تصمیم‌گیری به پزشکان در زمان تجویز دارو می‌تواند کمک کند.

واژه‌های کلیدی:

متن‌کاوی، تحلیل احساسات، یادگیری ماشین، پردازش زبان طبیعی، داده‌ورزی پزشکی

استاد راهنما: جناب آقای دکتر جمشید باقرزاده محاسفی

استاد مشاور: جناب آقای Dr. Uffe Kock Wiil

هیئت داوران: جناب آقای دکتر اصغر اصل اصغریان، سرکار خانم دکتر لیلا شریفی

نام دانشجو: 
: امیر ثریائی آذر
عنوان پایان نامه : 
تحلیل متون پزشکی با استفاده از روش‌های نوین یادگیری ماشین
مقطع تحصیلی: 
کارشناسی ارشد
مکان: 
دانشکده برق، کامپیوتر و فناوری‌های پیشرفته
تاریخ دفاع: 
1401/6/16
ساعت: 
10:00