Management znalostí v medicíně „Lékařská informatika“ Professor Rudolf Hanka Director, Medical Informatics Unit,University of Cambridge Visiting Profesor,

Prezentace na téma: "Management znalostí v medicíně „Lékařská informatika“ Professor Rudolf Hanka Director, Medical Informatics Unit,University of Cambridge Visiting Profesor,"— Transkript prezentace:

1 Management znalostí v medicíně „Lékařská informatika“ Professor Rudolf Hanka Director, Medical Informatics Unit,University of Cambridge Visiting Profesor, Fakulta Managementu, VŠE

2 Co je lékařská informatika? Mnoho definicí, dva zásadní pohledy –z lékařského hlediska –z technického hlediska

3 Management 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

4 Management znalostí největší challenge lékařské profesi Stručný přehled činosti v Cambridge

5 Výzkumné projekty Telemedicine Management znalostí Digitální knihovny

6 Telemedicine Projekt financován Ministerstvem Obrany, UK Založen na předchozím projektu (I-Browse)

7 Search by words or combination of words Search by words or combination of words Search by reference number, etc. Search by reference number, etc. Not appropriate for multimedia data (image, video, animations, music, sounds)Not appropriate for multimedia data (image, video, animations, music, sounds) Multimedia Image Retrieval Traditional Approach

8 TextualTextual content : free text search VisualVisual content : image features, shapes, color, textures, spatial relationships A B C Audiocontent :Audio content : search by humming.. Videocontent :Video content : motions, image features, scene composition, video semantics, audio, etc. Multimedia Image Retrieval Content-based Approach

9 Najít podobné snímky podle příkladu (visuální similarita); Najít podobné snímky podle příkladu (visuální similarita); Najít podobné snímky podle histologických příznaků (semantická similarita); Najít podobné snímky podle histologických příznaků (semantická similarita); Najít snímky podle textového popisu; Najít snímky podle textového popisu; automatická anotace neznámých snímků automatická anotace neznámých snímků Cíle I-Browse

10 Supervised information and feedback Query by image example Semantic Content- Papillon Visual feature detector SemanticAnalyser Free Text Analyser Annotation Generator Image Database Semantic Index KB Query by free text Visual features with semantic meaning Iconic Index Annotation I-Browse Architecture

11 Aplikační oblast: Histologie GI traktu  Histologické snímky představují obzvláště těžký příklad;  GI trakt, zásadní struktura společná všem segmentům;  Nicméně GI trakt má regionální variace ve struktuře  Pět hlavních oblastí: oesophagus, žaludek, tenké střevo, tlusté střevo (včetně appendixu), a anus;

12

13 oesophagusstomach Small intestineLarge intestine How to map the iconic features to their semantic meaning ?How to map the iconic features to their semantic meaning ? Příklady

14 Fine : stomach-fundus glands coarse : mucosa Fine : small intestine-villi coarse : mucosa Fine : small intestine-villi coarse : mucosa Fine : large intestine-mucosa glands coarse : mucosa Fine : anus-hair follicle coarse : mucosa Fine : connective tissue coarse : submucosa Fine : adipose tissue coarse : submucosa / serosa Fine : smooth muscle coarse : muscularis externa Fine : Brunner’s glands coarse : submucosa Fine : lamina propria coarse : mucosa Příklady semantických characteristik

15 1,100 histpatologických snímků 1,100 histpatologických snímků 9,979 trénovacích segmentů 9,979 trénovacích segmentů velikost snímku 4,492x3,480 změněná na 1,123x870 velikost snímku 4,492x3,480 změněná na 1,123x870 rozdělená na 252 segmentů obsahujících 64x64 bodů rozdělená na 252 segmentů obsahujících 64x64 bodů Trénovací množina

16 Fine features coarse features Semantic analyser KB Gabor filter detector Colour Histogram detector Other detectors

17 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. Semantický analyzátor

18 Příklad Reasoning

19 Výsledky před a po Reasoning 3.33% - 86.42% přesnost pro fine features 3.33% - 86.42% přesnost pro fine features 17.26% - 87.39% přesnost pro coarse features 17.26% - 87.39% přesnost pro coarse features 56.2% zůstalo správně 56.2% zůstalo správně 35.2% opraveno 35.2% opraveno 6.9% zůstalo špatně 6.9% zůstalo špatně 1.6% změněno ze spravně na špatně. 1.6% změněno ze spravně na špatně.

20 Automatická Anotace

21

22 Lékařská informatika ‘As broad as it is wide’ Malá ukázka Otázky?