کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی

معرفی کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی

کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی راهنمایی جامع برای معرفی کاربرد هوش مصنوعی در پزشکی است که توسط جواد وحیدی، سپیده صبوری، احسان زابلی و سعیده عباس نژادورزی تألیف شده است. در این اثر علاوه بر آموزش مبانی یادگیری عمیق و ایجاد شبکه عصبی مصنوعی، با پردازش داده‌های پزشکی، کاربردهای آن در تشخیص و درمان بیماری‌ها و چشم‌انداز پیش روی آینده‌ی پزشکی آشنا خواهید شد.

درباره‌ی کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی

در سال‌های اخیر شاهد انقلاب هوش مصنوعی در تمام ابعاد زندگی خود هستیم و علوم پزشکی نیز از آخرین تکنولوژی‌های بشری بی‌بهره نمانده است. کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی، راهنمایی است برای ورود به دنیای پیچیده‌ی یادگیری ماشین در پزشکی و کاربردهای آن که می‌تواند فرایند پیشگیری، تشخیص و درمان بیماری‌ها را به سطحی بی‌سابقه برساند. در این اثر به صورت جامع با یادگیری ماشین و کاربردهای آن در پزشکی آشنا می‌شوید.

نویسندگان کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی، در ابتدا با توضیح چیستی شبکه‌های عصبی مصنوعی، معرفی ابزارهای تحلیل داده و داده‌کاوی، مدل‌های یادگیری عمیق و ابزارها و فریم ورک‌های آن آغاز کرده‌اند و تلاش کرده‌اند با زبانی واضح، سیر پیشرفت هوش مصنوعی را نشان داده و شما را با ابزارهای به‌روز یادگیری ماشین آشنا کنند. اما آن‌ها تنها به توضیح تئوریات محدود نمانده و به کاربردهای عملی یادگیری ماشین در پزشکی نیز پرداخته‌اند.

کاربرد هوش مصنوعی در پزشکی؛ از تشخیص تا درمان

در نیمه‌ی دوم کتاب با رویکردی کل به جزئی مواجه خواهید شد. نویسندگان علاوه بر معرفی کردن انواع داده‌های پزشکی (تصویر، سیگنال، متن و عدد) چالش‌های خاص هر کدام مانند برچسب‌گذاری‌های دشوار و حریم خصوصی بیمار را بررسی کرده و روش‌های پیش‌پردازش و استخراج ویژگی‌ها را توضیح می‌دهند. در ادامه نیز به پردازش تصویر در پزشکی (مثلاً، استفاده از CNN برای تشخیص خودکار و کاربرد GAN برای بهبود کیفیت تصویر) خواهند پرداخت.

جواد وحیدی، سپیده صبوری، احسان زابلی و سعیده عباس نژادورزی، همچنین مبحث پردازش سیگنال‌های زیست پزشکی را مدنظر قرار داده و نشان می‌دهند چطور می‌توان با استفاده از مدل‌های یادگیری عمیق از ECG، آریتمی قلبی و از EEG، اختلالات عصبی را تشخیص داد. کاربردهای بالینی واقعی هوش مصنوعی در تشخیص سرطان، بیماری‌های قلبی و پزشکی شخصی‌سازی شده نیز از موضوعاتی است که کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی به آن می‌پردازد.

پیشرفت‌های هوش مصنوعی شگفت‌انگیزند اما خالی از چالش نیستند. در انتهای این اثر با مسائلی مانند تفسیرپذیری و محدودیت‌ داده‌ها پرداخته خواهد شد و در عین حال چندین پروژه‌ی عملی درباره‌ی تشخیص سرطان، اوتیسم، ذات‌الریه و پیشگیری بیماری‌های قلبی ما را به آینده‌ی پزشکی هوشمند امیدوار می‌سازد.

با خرید کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی از انتشارات فناوری نوین، گام‌ مهمی برای پیوستن به صف پیشرفت‌های علوم پزشکی در آینده برمی‌دارید!

کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی برای شما مناسب است اگر

• دانشجوی پزشکی یا علوم زیستی هستید، درباره‌ی AI اطلاعات تخصصی ندارید ولی می‌خواهید وارد حوزه‌ی کاربردهای پزشکی هوش مصنوعی شوید.
• مهندس علوم داده یا مهندس کامپیوتر در گرایش هوش مصنوعی و یادگیری ماشین هستید و می‌خواهید در حوزه‌ی پزشکی کار کنید.
• پژوهشگر و دانشجوی مقاطع تحصیلات تکمیلی بیوانفورماتیک، فیزیک پزشکی، مهندسی پزشکی یا مهندسی کامپیوتر هستید و به دنبال منبعی برای به دست آوردن ایده‌های پژوهشی خود هستید.

در بخشی از کتاب یادگیری عمیق و کاربردهای آن در علوم پزشکی می‌خوانیم

با رشد فزاینده‌ی حجم داده‌ها نیاز به پردازش سریع و هم زمان مجموعه‌های عظیم اطلاعات، به یکی از چالش‌های اصلی در علوم داده و یادگیری ماشین تبدیل شده است. ابزارهای توزیع شده برای پردازش داده‌ها، این مشکل را با تقسیم داده‌ها و عملیات محاسباتی بین چندین گره (Node) در یک خوشه (Cluster) بر طرف می‌کنند. این گردها به‌صورت موازی کار می‌کنند و به‌این‌ترتیب زمان پردازش به طور چشمگیری کاهش می‌یابد. در معماری‌های توزیع شده، داده‌ها به بخش‌های کوچک‌تر (Partition) تقسیم می‌شوند و هر بخش توسط یک گره مستقل پردازش می‌شود. سیستم‌هایی مانند Apache Hadoop با استفاده از الگوریتم MapReduce و Apache Spark با استفاده از حافظه موقت (In-Memory Computing) اجرای مؤثر و سریع این فرایندها را ممکن می‌سازند. Spark به دلیل توانایی در پردازش بلادرنگ، نسبت به Hadoop مزایای بیشتری در تحلیل‌های پیشرفته دارد.

ابزارهای توزیع شده این امکان را فراهم می‌کنند که کلان‌داده‌ها نه‌تنها ذخیره شوند، بلکه با کارایی بالا تجزیه‌وتحلیل شوند. این ابزارها به‌ویژه در محیط‌های ابری به‌خوبی مقیاس‌پذیر هستند به‌گونه‌ای که با افزایش حجم داده با پیچیدگی مدل می‌توان به‌سادگی منابع محاسباتی بیشتری اضافه کرد.

فهرست مطالب کتاب

فصل اول – مقدمه
1–1. تعریف و تاریخچه یادگیری عمیق
1–1–1. تعریف یادگیری عمیق
2–1–1. تاریخچه و سیر تکاملی یادگیری عمیق
2–1. تفاوت بین یادگیری ماشین و یادگیری عمیق
1–2–1. یادگیری ماشین سنتی (کلاسیک): نقش مهندسی ویژگی
2–2–1. یادگیری عمیق: یادگیری خودکار ویژگی‌ها (یادگیری بازنمایی)
3–2–1. مقایسه جامع یادگیری ماشین سنتی و یادگیری عمیق
4–2–1. چه زمانی از کدام رویکرد استفاده کنیم؟
3–1. اهمیت یادگیری عمیق در حل مسائل پیچیده
1–3–1. یادگیری الگوهای پیچیده و غیرخطی
2–3–1. یادگیری سلسله‌مراتبی بازنمایی‌ها
3–3–1. موفقیت در حوزه‌های با داده‌های بدون ساختار و ابعاد بالا
4–3–1. مقیاس‌پذیری
4–1. نقش داده در یادگیری عمیق و چالش‌های آن
1–4–1. داده: سوخت ضروری برای یادگیری عمیق
2–4–1. چالش‌های کلیدی مرتبط با داده در یادگیری عمیق
3–4–1. مدیریت داده‌ها در پروژه‌های یادگیری عمیق
5–1. روندهای کنونی و آینده یادگیری عمیق
1–5–1. روندهای کلیدی کنونی
2–5–1. چشم‌انداز آینده
3–5–1. نگاهی عمیق‌تر به تاریخچه: پس‌انتشار و انقلاب ImageNet
4–5–1. بسط مقایسه یادگیری ماشین و یادگیری عمیق مثال عددی و رویکردهای ترکیبی
5–5–1. بسط اهمیت یادگیری عمیق: الهام از کاربردهای غیرپزشکی برای پزشکی
6–5–1. بسط چالش‌های داده، آمار، سوگیری و راه‌کارهای اولیه
7–5–1. بسط روندهای آینده: نگاهی نزدیک‌تر به FL ،SSL و فراتر از آن
6–1. فرمول‌بندی پایه: نورون مصنوعی و مفهوم تابع هزینه
1–6–1. مدل ریاضی یک نورون مصنوعی
2–6–1. مفهوم تابع هزینه
7–1. ساختار کتاب پیش رو
فصل دوم – شبکه عصبی مصنوعی
1–2. شبکه‌های عصبی مصنوعی
1–1–2. تاریخچه شبکه‌های عصبی
3–1–2. الگوریتم‌های بهینه‌سازی مانند Adam و RMSprop
2–2. ساختار لایه‌ها و نورون‌ها در شبکه‌های عصبی
1–2–2. تعریف نورون‌ها
2–2–2. اتصالات و وزن‌ها
3–2. توابع فعال‌سازی (ReLU، سیگموید، Softmax و غیره)
4–2. الگوریتم‌های بهینه‌سازی (گرادیان نزولی، Adam، RMSprop)
5–2. منظم‌سازی (Regularization) و جلوگیری از بیش برازش
2-5-1. منظم‌سازی (Regularization)
2-5-2.بیش برازش
6–2. شبکه‌های عصبی عمیق و تحلیل کلان داده‌ها
فصل سوم – مدل‌های یادگیری عمیق
1–3. شبکه‌های عصبی کانولوشن (CNN) و کاربرد آن در پردازش تصویر
1–2–3. شبکه‌های عصبی بازگشتی
2–3. مدل‌های ترانسفورمر و کاربرد آن‌ها در پردازش متن و تصویر
3–3. خودرمزگذارها و کاهش ابعاد داده‌ها
4–3. شبکه‌های مولد تخاصمی (GAN) و تولید داده‌های مصنوعی
فصل چهارم – ابزارها و فریم‌ورک‌های یادگیری عمیق
1–4. معرفی فریم‌ورک‌های محبوب (TensorFlow، PyTorch، Keras)
2–4. پردازش کلان داده‌ها با ابزارهای ابری و توزیع‌شده
3–4. سخت‌افزارهای موردنیاز (GPU، TPU و پردازش موازی)
4–4. تنظیم، بهینه‌سازی و جستجوی خودکار هایپرپارامترها (AutoML)
5–4. روش‌های تست، ارزیابی و تفسیر مدل‌های یادگیری عمیق
6–4. مدیریت و ذخیره‌سازی مقیاس‌پذیر داده‌ها در بسترهای ابری
7–4. پیاده‌سازی و استقرار مدل‌های یادگیری عمیق در محیط‌های واقعی
فصل پنجم – پردازش داده‌های پزشکی
1–5. انواع داده‌های پزشکی
1–1–5. تعریف داده‌های تصویری پزشکی
2–1–5. داده‌های سیگنال پزشکی
3–1–5. داده‌های متنی پزشکی
4–1–5. داده‌های عددی پزشکی
2–5. چالش‌های داده‌های پزشکی
1–2–5. برچسب‌گذاری داده‌ها
2–2–5. حفظ حریم خصوصی و مسائل اخلاقی
3–5. پیش‌پردازش داده‌های پزشکی (پاک‌سازی، نرمال‌سازی، بهبود داده)
1–3–5. پاک‌سازی داده‌های پزشکی
2–3–5. نرمال‌سازی داده‌های پزشکی (Normalization)
3–5–3. بهبود داده‌ها
4–5. روش‌های استخراج ویژگی از داده‌های پزشکی
1–4–5. استخراج ویژگی دستی (Handcrafted Features)
2–4–5. استخراج ویژگی خودکار با یادگیری عمیق
3–4–5. استخراج ویژگی مبتنی بر سیگنال (Signal-based Feature Extraction)
4–4–5. استخراج ویژگی متنی (Text Feature Extraction)
5–5. یادگیری نیمه‌نظارت‌شده (Semi-Supervised) و یادگیری خودنظارتی (Self-Supervised) در پزشکی
1–5–5. یادگیری نیمه‌نظارت‌شده (Semi-Supervised Learning)
2–5–5. یادگیری خودنظارتی (Self-Supervised Learning)
فصل ششم – پردازش تصویر پزشکی با یادگیری عمیق
1–6. تشخیص خودکار تصاویر پزشکی با CNN
1–1–6. شبکه عصبی کانولوشنی
2–6. کاربردهای CNN در تصاویر پزشکی
3–6. فرآیند آموزش مدل CNN در تصاویر پزشکی
4–6. بخش‌بندی تصاویر پزشکی (MRI، سی‌تی‌اسکن، رادیولوژی)
1–4–6. انواع روش‌های بخش‌بندی
2–4–6. مدل‌های محبوب بخش‌بندی در پزشکی
5–6. بهبود کیفیت تصویر و حذف نویز
1–5–6. روش‌های بهبود کیفیت تصویر و حذف نویز
2–5–6. روش‌های یادگیری عمیق برای حذف نویز و بهبود کیفیت
6–6. کاربردهای GAN در پردازش تصویر پزشکی
1–6–6. اهمیت GAN در پردازش تصویر پزشکی
2–6–6. مقایسه GAN با روش‌های حذف نویز و بهبود تصویر
3–6–6. حذف نویز و بهبود کیفیت تصاویر پزشکی با استفاده از GAN
4–6–6. افزایش وضوح (Super-resolution) تصاویر پزشکی با GAN
5–6–6. تبدیل تصویر به تصویر (Image-to-Image Translation) در پزشکی
6–6–6. چشم‌انداز و تحقیقات آینده
فصل هفتم – تحلیل سیگنال‌های زیستی با یادگیری عمیق
1–7. پردازش سیگنال‌های ECG و تشخیص بیماری‌های قلبی
1–1–7. اهمیت تشخیص به موقع بیماری‌های قلبی با تحلیل سیگنال ECG
2–1–7. پیش‌پردازش سیگنال‌های ECG
3–1–7. استخراج ویژگی‌ها از سیگنال ECG
4–1–7. مدل‌های یادگیری عمیق در تحلیل ECG
5–1–7. معیارهای ارزیابی عملکرد مدل‌های تحلیل ECG
6–1–7. چشم‌اندازهای جدید در تحلیل ECG با یادگیری عمیق و هوش مصنوعی
2–7. تحلیل EEG برای شناسایی اختلالات عصبی
1–2–7. سیگنال EEG و نقش آن در ثبت فعالیت الکتریکی مغز
2–2–7. پیش‌پردازش سیگنال EEG
3–2–7. استخراج ویژگی‌ها از سیگنال EEG
4–2–7. مدل‌های یادگیری عمیق در تحلیل EEG
5–2–7. چالش‌ها و چشم‌اندازهای آینده در تحلیل EEG
3–7. تشخیص خودکار بیماری‌های عصبی با داده‌های سیگنالی
1–3–7. روش‌های پیشرفته در تشخیص خودکار بیماری‌های عصبی
2–3–7. استخراج ویژگی‌های سیگنالی برای تشخیص بیماری
3–3–7. چالش‌ها و محدودیت‌ها در تشخیص خودکار بیماری‌های عصبی
4–3–7. چشم‌اندازهای آینده در تشخیص خودکار بیماری‌های عصبی
4–7. تلفیق داده‌های چندوجهی (تصویر، سیگنال و متون پزشکی)
فصل هشتم – کاربردهای یادگیری عمیق در تشخیص و درمان بیماری‌ها
1–8. تشخیص سرطان با یادگیری عمیق
1–1–8. تشخیص سرطان با تصاویر پزشکی
2–1–8. شبکه‌های عصبی کانولوشنی در تشخیص سرطان
3–1–8. تشخیص سرطان با سیگنال‌ها و داده‌های زیستی
4–1–8. تلفیق داده‌های چندوجهی
2–8. تشخیص و پیش‌بینی بیماری‌های قلبی با یادگیری عمیق
1–2–8. تشخیص بیماری‌های قلبی با تصاویر پزشکی
2–2–8. تشخیص بیماری‌های قلبی با سیگنال‌هایی مثل ECG
3–2–8. پیش‌بینی خطر با داده‌های بالینی و مدل‌های یادگیری عمیق
4–2–8. تلفیق داده‌های چندوجهی در بیماری‌های قلبی
3–8. تحلیل بیماری‌های عصبی مانند آلزایمر و پارکینسون
4–8. پزشکی شخصی‌سازی‌شده و پیشنهاد درمان‌های هوشمند
5–8. یادگیری چندوظیفه‌ای در پزشکی
فصل نهم – چالش‌ها، محدودیت‌ها و آینده یادگیری عمیق در علوم پزشکی
1–9. تفسیرپذیری و شفافیت مدل‌های یادگیری عمیق در پزشکی
1–1–9. روش‌های رایج تفسیرپذیری
2–9. ملاحظات اخلاقی و قانونی در استفاده از یادگیری عمیق
1–2–9. شفافیت و مسئولیت‌پذیری
2–2–9. رضایت آگاهانه و اطلاع‌رسانی به بیمار
3–2–9. عدم تبعیض و عدالت الگوریتمی
4–2–9. حریم خصوصی داده‌ها و امنیت
5–2–9. چارچوب‌های قانونی و مقررات جهانی
6–2–9. توصیه‌های اخلاقی برای استفاده ایمن از یادگیری عمیق
3–9. حریم خصوصی و امنیت داده‌های بیماران (یادگیری فدراتیو و حفظ حریم خصوصی)
1–3–9. یادگیری فدراتیو
2–3–9. تکنیک‌های حفظ حریم خصوصی در یادگیری عمیق
3–3–9. کاربردهای یادگیری فدراتیو در پزشکی
4–9. آینده یادگیری عمیق در پزشکی و نقش هوش مصنوعی در تصمیم‌گیری‌های بالینی
1–4–9. نقش هوش مصنوعی در سیستم‌های پشتیبان تصمیم‌گیری بالینی
5–9. پیشنهاد برای گسترش آینده یادگیری عمیق در پزشکی با استفاده از فناوری‌های نوین
فصل دهم – پیاده‌سازی پروژه‌های یادگیری عمیق
1–10. پروژه 1: طبقه‌بندی سلول‌های سرطانی با استفاده از Scikit-learn
2–10. پروژه 2: پیش‌بینی اوتیسم با استفاده از یادگیری ماشینی
3–10. پروژه 3: تشخیص سرطان ریه با استفاده از آموزش انتقالی
4–10. پروژه 4: تشخیص ذات‌الریه با استفاده از یادگیری عمیق
5–10. پروژه 5: تشخیص کووید–19 با اشعه ایکس قفسه سینه
6–10. پروژه 6: تشخیص COVID-19 از تصاویر اشعه ایکس قفسه سینه با استفاده از CNN
7–10. پروژه 7: تشخیص سرطان پوست با استفاده از TensorFlow
8–10. پروژه 8: پیش‌بینی بیماری قلبی با استفاده از ANN