Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Sztuczna inteligencja w medycynie

No description
by

Marta Prażanowska

on 31 March 2015

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Sztuczna inteligencja w medycynie

Jak to wszystko się zaczęło?
era prehistoryczna (1842 -1960)
romantyzm (1960 - 1965)
okres ciemności (1965 - 1970)
odrodzenie (1970 - 1975)
okres partnerstwa (1975 - 1980)
okres komercjalizacji (1980 - ...)
Marta Prażanowska, 181200
Jakub Sobuś, 181151

Sztuczna inteligencja w medycynie
DZIĘKUJEMY
ZA UWAGĘ

Zastosowanie AI w medycynie
www.is.umk.pl~duch/ref/PL/_9ai-med/ai-med-lista.html
Przykłady zastosowania AI w medycynie
Marta Prażanowska, 181200
Jakub Sobuś, 181151
Sztuczna
inteligencja

Sieci
neuronowe
Algorytmy
ewolucyjne
Logika
rozmyta
Sztuczne systemy immunologiczne
Systemy
ekspertowe
DEFINICJA
Sztuczna inteligencja
( Artificial Intelligence, AI )
Dział informatyki, którego przedmiotem jest badanie reguł rządzących inteligentnymi zachowaniami człowieka, tworzenie modeli formalnych tych zachowań i – w rezultacie – programów komputerowych symulujących te zachowania.

- rozumienie sensu zdań,
- rozpoznawanie twarzy,
- rozpoznawanie pisma ręcznego,
- planowanie terapii,
- rozwiązywanie nietypowych zadań.
Przykłady problemów:
System komputerowy, który emuluje proces podejmowania decyzji przez człowieka-eksperta.
Budowa systemu
ekpertowego
Interfejs
użytkownika
Baza wiedzy
Mechanizm
wnioskowania
Mechanizm wyjaśniający
Program
maksymalny
"Wiedza eksperta"
Edytor bazy wiedzy
Zbiór faktów i reguł
Umożliwia zadawanie pytań, udzielanie informacji systemowi oraz odbieranie od systemu odpowiedzi i wyjaśnień
Główny składnik systemu ekspertowego wykonujący cały proces rozumowania
w trakcie rozwiązywania problemu postawionego przez użytkownika.
Program
minimalny
Jeden z elementów interfejsu pomiędzy systemem a użytkownikiem, który umożliwia użytkownikowi uzyskanie odpowiedzi dlaczego system udzielił takiej, a nie innej odpowiedzi, albo dlaczego system zadał użytkownikowi określone pytanie.
Schemat działania
Podział systemów ze względu na realizowane zadania.
Oczekiwania:
inteligentne wspomaganie decyzji,
klasyfikacja struktur,
kontrola,
planowanie,
sterowanie,
analiza obrazów,
detekcja regularności,
separacja sygnałów,
prognozowanie,
symulowanie rzeczywistości,
selekcja cech,
optymalizacja wielokryterialna
zrozumienie umysłu.
Graficzna ilustracja ról twórców systemu ekspertowego.
Zalety systemów ekspertowych
Wady systemów ekspertowych
brak omylnego czynnika ludzkiego
systemy ekspertowe czasu rzeczywistego
możliwość łączenia kilku systemów
ekonomiczne wykorzystanie wiedzy
mogą służyć do uczenia
droga i długa implementacja
przy tworzeniu potrzebny człowiek
niewygodne metody komunikacji
problem składowania wiedzy
Pojedynczy "neuron"
Typy sieci neuronowych
Sieci
jednokierunkowe
Sieci
rekurencyjne
Sieci
Kohonena
Samoorganizujące się mapy
jednowarstwowe
dwuwarstwowe
wielowarstwowe
Algorytm wstecznej propagacji błędu
Inicjalizacja sieci i algorytmu
1
Obliczanie wartości wyjściowej sieci na podstawie danych
Obliczanie błędu sieci
Korekcja wag
Koniec
2
3
4
5
6
Czy sieć nauczona?
Nie
Tak
Schemat klasycznego algorytmu ewolucyjnego.
Krzyżowanie osobników (crossing-over)
"Koło ruletki" -algorytm selekcji osobników.
Zalety
Wady
logika wielowartościowa
formalne zapisanie niepewności
stopień przynależności
Metoda jest uniwersalna. Aby tego samego programu użyć w innym problemie, przeważnie wystarczy zmienić funkcję celu.
Metoda jest stosunkowo szybka: znalezienie rozwiązania często jest możliwe po przejrzeniu zaskakująco niewielkiej części przestrzeni stanów.
Ponieważ algorytm genetyczny jest algorytmem randomizowanym, możemy powtarzać obliczenia wielokrotnie w nadziei otrzymania lepszych wyników.
Metoda jest uniwersalna, więc nie tak skuteczna, jak bywają algorytmy specjalizowane (rada: stosować algorytmy hybrydowe).
Sukces jest możliwy wyłącznie przy prawidłowym zakodowaniu problemu i odpowiednim dobraniu funkcji celu. Niestety, nie ma jednoznacznej teorii mówiącej, jak to robić. Jest to często - podobnie jak dobór parametrów mutacji i krzyżowania - sprawa wyczucia i doświadczenia programisty.
Ponieważ algorytm genetyczny jest algorytmem randomizowanym, nigdy nie mamy pewności, że znaleźliśmy rozwiązanie optymalne.
Zbiorem rozmytym nazwiemy zbiór elementów, które w różnym stopniu
do niego należą.

Stopień przynależności określa funkcja przynależności do zbioru rozmytego.
POEMS - Post Operative Expert Medical System
SETH - monitorowanie zatruć.
Systemy wspomagania oddychania
VIE-PNN - wpomaganie składu odżywiania noworodków
PERFEX - analiza wyników badań SPECT (badanie mózgu)
RaPiD - projektowanie protez zębowych
MATIC - sprzętowe sieci neuronowe - diagnoza arytmii serca
problemy klasyfikacyjne
wykorzystanie cech układu immunologicznego (selekcja klonalna, zdolność uczenia, pamięć immunologiczna)
Algorytm selekcji klonalnej
= odpowiedź immunologiczna
identyfikacja
antygenu
wyselekcjonowanie najlepiej dopasowanych przeciwciał
różnicowanie się aktywowanych przeciwciał
namnożenie
przeciwciał
hipermutacja
=
podobny do algorytmu genetycznego
brak operacji krzyżowania
różnorodność potencjalnych rozwiązań
Algorytm uczenia sztucznej
sieci immunologicznej
zbiór danych uczących (antygeny)
Inicjalizacja systemu
= losowanie przeciwciał
obliczanie stymulacji,
klonowanie i mutacja,
(generacja nowych przeciwciał)
integracja nowych komórek z siecią,
usuwanie niepasujących przeciwciał
Jak to wygląda dziś?
działania na zbiorach = wiele możliwości
antygeny - zbiór danych klasyfikowanych
przeciwciała - wzorce tych danych
klasyfikowania określonej cechy (antygenu)
SZUKAMY: najlepiej dopasowanych wzorców (przeciwciał)
System immunologiczny
Full transcript