یادگیری ماشین در پزشکی – یک مرور جامع ۲۰۱۵
Machine Learning in Medicine – a Complete Overview 2015

این کتاب حاضر، اولین اثر منتشر شده ای است که مروری کامل بر روش شناسی های یادگیری ماشین برای بخش پزشکی و سلامت ارائه می دهد. این کتاب به عنوان یک راهنمای آموزشی و اثری خواندنی، نه تنها برای پزشکان و دانشجویان، بلکه برای هر فردی که در فرآیند و پیشرفت سلامت و مراقبت های بهداشتی نقش دارد، نوشته شده است. در هشتاد فصل، هشتاد روش شناسی مختلف یادگیری ماشین، به همراه مثال هایی از داده ها برای خودارزیابی، بررسی می شوند. هر فصل را می توان بدون نیاز به مراجعه به فصل های دیگر مطالعه کرد.

میزان داده های ذخیره شده در پایگاه های داده جهان هر 20 ماه دو برابر می شود، و پزشکان، که با روش های آماری سنتی آشنا هستند، در تحلیل آن ها درمانده اند. روش های سنتی، در واقع، در شناسایی داده های پرت در مجموعه های داده بزرگ، و در یافتن الگوها در کلان داده ها و داده هایی با متغیرهای مواجهه/نتیجه ی چندگانه، دچار مشکل هستند. علاوه بر این، قوانین تحلیلی برای نظرسنجی ها و پرسشنامه ها، که در حال حاضر روش های رایج جمع آوری داده ها هستند، اساساً وجود ندارند. خوشبختانه، رشته ی جدید یادگیری ماشین، قادر به پوشش دادن تمام این محدودیت ها است.

تا کنون متخصصان پزشکی تمایلی به استفاده از یادگیری ماشین نشان نداده اند. همچنین، در زمینه ی تشخیص بیماری، ممکن است تعداد کمی از پزشکان تمایل داشته باشند که یک کامپیوتر آن ها را بررسی کند، یا علاقه مند به همکاری با یک کامپیوتر یا با مهندسان کامپیوتر باشند. با این حال، سلامت و مراقبت های بهداشتی کافی، به زودی بدون نظارت مناسب داده ها از طریق روش شناسی های مدرن یادگیری ماشین مانند مدل های خوشه ای، شبکه های عصبی و سایر روش شناسی های داده کاوی، غیرممکن خواهد بود.

هر فصل با اهداف و سوالات علمی آغاز می شود. سپس، تحلیل های گام به گام، با استفاده از مثال هایی از داده ها، ارائه می شوند. در نهایت، یک پاراگراف با نتیجه گیری، و ارجاع به سایت های مربوطه از سه کتاب درسی مقدماتی، که قبلاً توسط همین نویسندگان نوشته شده اند، ارائه می شود.

The current book is the first publication of a complete overview of machine learning methodologies for the medical and health sector. It was written as a training companion and as a must-read, not only for physicians and students, but also for any one involved in the process and progress of health and health care. In eighty chapters eighty different machine learning methodologies are reviewed, in combination with data examples for self-assessment. Each chapter can be studied without the need to consult other chapters.

The amount of data stored in the world’s databases doubles every 20 months, and clinicians, familiar with traditional statistical methods, are at a loss to analyze them. Traditional methods have, indeed, difficulty to identify outliers in large datasets, and to find patterns in big data and data with multiple exposure / outcome variables. In addition, analysis-rules for surveys and questionnaires, which are currently common methods of data collection, are, essentially, missing. Fortunately, the new discipline, machine learning, is able to cover all of these limitations.

So far medical professionals have been rather reluctant to use machine learning. Also, in the field of diagnosis making, few doctors may want a computer checking them, are interested in collaboration with a computer or with computer engineers. Adequate health and health care will, however, soon be impossible without proper data supervision from modern machine learning methodologies like cluster models, neural networks and other data mining methodologies.

Each chapter starts with purposes and scientific questions. Then, step-by-step analyses, using data examples, are given. Finally, a paragraph with conclusion, and references to the corresponding sites of three introductory textbooks, previously written by the same authors, is given.