Management znalostí v Management znalostí v medicíněmedicíně

„Lékařská informatika“„Lékařská informatika“

Professor Rudolf HankaProfessor Rudolf HankaDirector, Medical Informatics Unit,University of Director, Medical Informatics Unit,University of

CambridgeCambridgeVisiting Profesor, Fakulta Managementu, VŠEVisiting Profesor, Fakulta Managementu, VŠE

Co je lékařská Co je lékařská informatikainformatika??

Mnoho definicí, dva zásadní pohledy

– z lékařského hlediska

– z technického hlediska

Management znalostíManagement znalostí

Rozhodující faktory úspěchu: schopnost organizací řídit, uschovat a odměnit distribuci znalostí

Tyto procesy tvoří management znalostí

Organizace ve vyspělých zemích zjišťují, že znalosti představují jejich největší bohatství

Toto bohatství je třeba opatrovat

Management znalostí největší challenge lékařské profesi

Stručný přehled činosti v Cambridge

Výzkumné projektyVýzkumné projektyTelemedicine

Management znalostí

Digitální knihovny

TelemedicineTelemedicine

Projekt financován Ministerstvem Obrany, UK

Založen na předchozím projektu (I-Browse)

Search by words or combination Search by words or combination of wordsof words

Search by reference number, Search by reference number, etc.etc.

• Not appropriate for multimedia data (image, Not appropriate for multimedia data (image, video, animations, music, sounds)video, animations, music, sounds)

Multimedia Image RetrievalMultimedia Image RetrievalTraditional ApproachTraditional Approach

•TextualTextual content : free text search• VisualVisual content : image features,

shapes, color, textures, spatial relationships

A

BC

• AudioAudio content :content : search by humming . .

• VideoVideo content :content : motions, image features, scene composition, video semantics, audio, etc.

Multimedia Image RetrievalMultimedia Image RetrievalContent-based ApproachContent-based Approach

Najít podobné snímky Najít podobné snímky podle příkladupodle příkladu (visu (visuáállníní similaritsimilaritaa););

Najít podobné snímky Najít podobné snímky podle podle histologichistologických kých příznakůpříznaků (semantic (semantickáká similaritsimilaritaa););

Najít snímky podle Najít snímky podle texttextového popisuového popisu;;

automaticautomatickáká anota anotacece neznámých snímkůneznámých snímků

Cíle Cíle I-BrowseI-Browse

Supervised information and Supervised information and feedbackfeedback

Query byimage example

Semantic Semantic Content-Content-PapillonPapillon

Visual Visual feature feature detectordetector

SemanticSemanticAnalyserAnalyser

Free Text Free Text AnalyserAnalyser

Annotation Annotation GeneratorGenerator

Image Image DatabaseDatabase

Semantic Semantic IndexIndex

KB

Query byQuery byfree textfree text

Visual features with semantic Visual features with semantic meaningmeaning

Iconic IndexIconic Index

AnnotationAnnotation

I-Browse ArchitectureI-Browse Architecture

Aplikační oblastAplikační oblast: : HistologHistologieie GI tra GI trakkttuu

HistologiHistologické snímky představujícké snímky představují obzvláště těžký příkladobzvláště těžký příklad;;

GI traGI trakktt,, zásadní struktura společná zásadní struktura společná všem segmentůmvšem segmentům;;

Nicméně Nicméně GI traGI trakkt t mámá region regionáállníní varia variace ce veve stru strukktutuřře e

Pět hlavních oblastíPět hlavních oblastí: oesophagus, : oesophagus, žaludek,žaludek, tenké střevo, tlusté střevotenké střevo, tlusté střevo ((včetněvčetně appendix appendixuu), a anus;), a anus;

oesophagus stomach

Small intestine Large intestine

•How to map the iconic features to their semantic How to map the iconic features to their semantic meaning ?meaning ?

PříkladyPříklady

Fine : stomach-fundus glands coarse : mucosa

Fine : small intestine-villicoarse : mucosa

Fine : small intestine-villicoarse : mucosa

Fine : large intestine-mucosa glandscoarse : mucosa

Fine : anus-hair folliclecoarse : mucosa

Fine : connective tissuecoarse : submucosa

Fine : adipose tissuecoarse : submucosa / serosa

Fine : smooth musclecoarse : muscularis externa

Fine : Brunner’s glandscoarse : submucosa

Fine : lamina propriacoarse : mucosa

PříkladyPříklady ssemanticemantických kých characteristikcharacteristik

1,100 histpatologick1,100 histpatologických snímkůých snímků9,9799,979 trénovacích trénovacích segmentůsegmentů velikost snímkuvelikost snímku 4,49 4,4922x3,480 x3,480

změněná nazměněná na 1,123x870 1,123x870 rozdělená na rozdělená na 252 segmentů252 segmentů

obsahujících obsahujících 64x64 64x64 bodůbodů

Trénovací množinaTrénovací množina

Fine featuresFine features

coarse coarse featuresfeatures

Semantic analyserSemantic analyser

KBKB

Gabor filter detectorGabor filter detector

Colour Histogram detectorColour Histogram detector

Other detectorsOther detectors

• Zlepšit přesnost rozpoznávání využitím znalostí. – Interakce s visuálním detektorem

příznaků• analýza semantického obsahu

– zjistit z které části GI traktu snímek pochází

– vytvořit semantický obsah snímku pro indexování

• anotace popisující snímek.

SemanticSemantický ký aanalynalyzátozátorr

PříkladPříklad Reasoning Reasoning

Výsledky před a poVýsledky před a po ReasoningReasoning

3.33% - 86.42% 3.33% - 86.42% přesnost propřesnost pro fine fine featuresfeatures

17.26% - 87.39% 17.26% - 87.39% přesnost pro přesnost pro coarse coarse featuresfeatures

56.2% 56.2% zůstalo správnězůstalo správně35.2% 35.2% opravenoopraveno6.9% 6.9% zůstalo špatnězůstalo špatně1.6% 1.6% změněno ze spravně na špatnězměněno ze spravně na špatně. .

AutomaticAutomatickáká Anota Anotacece

Lékařská informatikaLékařská informatika‘As broad as it is wide’

Malá ukázka

OtázkyOtázky??OtázkyOtázky??OtázkyOtázky??OtázkyOtázky??OtázkyOtázky??OtázkyOtázky??OtázkyOtázky??