Management znalostí v medicíně „Lékařská informatika“
-
Upload
hasad-bryan -
Category
Documents
-
view
66 -
download
3
description
Transcript of Management znalostí v medicíně „Lékařská informatika“
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??