Management znalostí v medicíně „Lékařská informatika“

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: schopnostorganizací 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. Multimedia Image RetrievalTraditional Approach • Search by words or combination of words • Search by reference number, etc. • Not appropriate for multimedia data (image, video, animations, music, sounds)

8. A B • Audiocontent :search by humming . . C Multimedia Image RetrievalContent-based Approach • Textualcontent :free text search • Visualcontent : image features, shapes, color, textures, spatial relationships • Videocontent :motions, image features, scene composition, video semantics, audio, etc.

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

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

11. Aplikační oblast: Histologie GI traktu • Histologické snímky představujíobzvláště 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;

13. oesophagus stomach Small intestine Large intestine Příklady • How to map the iconic features to their semantic meaning ?

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

15. Trénovací množina • 1,100 histpatologických snímků • 9,979 trénovacíchsegmentů • velikost snímku 4,492x3,480 změněná na 1,123x870 • rozdělená na 252 segmentůobsahujících 64x64 bodů

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

17. Semantický analyzátor • Zlepšit přesnost rozpoznávání využitím znalostí. • Interakce svisuálním detektorem příznaků • analýza semantického obsahu • zjistit z které části GI traktu snímek pochází • vytvořit semantický obsah snímku pro indexování • anotace popisující snímek.

18. Příklad Reasoning

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

20. Automatická Anotace

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