Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouFernanda Narciso Alterado mais de 9 anos atrás
1
SISTEMA DE APOIO AO DIAGNÓSTICO MÉDICO BASEADO EM REDES BAYESIANAS
Isabel Milho*‡, Ana Fred**‡, * Instituto Superior de Engenharia de Lisboa, DEETC, Portugal ** Instituto Superior Técnico - Lisboa, Portugal ‡ Instituto de Telecomunicações - Pólo de Lisboa, Portugal ISEL-DEETC, 31 de Janeiro de 2003
2
BBNs (Bayesian Belief Networks)
Sumário BBNs (Bayesian Belief Networks) ou Objectivos Abordagem com RBs (Redes Bayesianas) Modelo de diagnóstico baseado em RBs Ferramenta de desenvolvimento - DiagDT funcionalidade (2 fases de interacção) arquitectura Aplicação p/ diagnóstico de doenças do sono desenho da aplicação DiagSD interacção do especialista com DiagSD Conclusões e trabalho futuro 31/Jan/2003
3
Objectivos Ferramenta de desenvolvimento Interface “easy-to-use”
aplicações auxiliares ao diagnóstico médico baseada em redes Bayesianas (RBs) Interface “easy-to-use” desenhar aplicações sem conhecimento profundo da teoria das RBs usar a aplicação - sistema auxiliar de diagnóstico página internet - ficheiros HTML associados 31/Jan/2003
4
Abordagem com RBs Modelo probabilístico para dedução perante incerteza (representação gráfica) Alternativa flexível face a outras abordagens Ferramentas-RB: poderosas e universais HUGIN, MSBNx, JavaBayes, … Ferramenta de desenvolvimento DiagDT específica para diagnóstico médico 31/Jan/2003
5
Modelo de diagnóstico baseado em RBs
Tipos de inferência: diagnóstico, causal, intercausal e mista Variáveis do diagnóstico médico sintomas (dados clínicos) sinais ou resultados-testes doenças (explicação) dist. locais A RB representa a distribuição de probabilidades conjunta p(x) = p(x1, x2, …, xN) independência condicional 31/Jan/2003
6
Interface e Funcionalidade
Fases de interacção: desenho utilização habitual 31/Jan/2003
7
Arquitectura e Implementação
31/Jan/2003
8
Diagnosing Sleep Disorders (sistema DiagSD)
patologias (4) dados clínicos e polisomnográficos 31/Jan/2003
9
Interacção com DiagSD sem evidências
INS DFW CAB evidências CAB, INS, DFW => PSIC PSIC DFSD verificar (e confirmar?) DFSD => PSIC 31/Jan/2003
10
DiagSD - Web 31/Jan/2003 Conclusões
11
DiagSD – Diagnosis/Report
31/Jan/2003 Zoom in
12
DiagSD – Help 31/Jan/2003
13
Conclusões Sistema de apoio ao diagnóstico médico c/ interface simples (e ajustada ao dom. de aplicação) desenho da aplicação utilização da aplicação via página internet utilização flexível c/ diferentes tipos de inferência Algoritmo de inferência estatística eficiente Exemplo de aplicação: DiagSD 31/Jan/2003 Bibliografia
14
Decision Theory and Adaptive Systems Group
Trabalho futuro Introdução de algoritmos de aprendizagem topologia da rede probabilidades (CPTs) Validação/comparação da aplicação DiagSD Aplicação a outros domínios médicos Adoptar o formato XBN proposto por DTAS - formato BNIF (Bayesian Network Interchange Format) em XML - promovido pela comunidade UAI (Uncertainty and Artificial Intelligence) Decision Theory and Adaptive Systems Group at Microsoft Research 31/Jan/2003
15
Probabilidade conjunta
31/Jan/2003
16
Tabelas de probabilidades condicionais:
Exemplo no HUGIN sem evidências (evidences) Tabelas de probabilidades condicionais: Explaining away Diverging connections Converging connections H 1
17
probabilidades actualizadas:
Explaining away 1 evidência: INS probabilidades actualizadas: Exemplo no HUGIN H 2
18
probabilidades actualizadas:
Explaining away 2 evidências: INS + CAB probabilidades actualizadas: Exemplo no HUGIN H 3
19
Diverging connections
1 evidência: PSIC probabilidades actualizadas: Exemplo no HUGIN H 4
20
Diverging connections
2 evidências: PSIC + INS probabilidades actualizadas: CAB e INS são independentes dado PSIC ! d-separated Não se altera! Exemplo no HUGIN H 5
21
Converging connections
1 evidência: PSIC probabilidades actualizadas: Não se altera! Se INS não é evidência, PSIC e OSAS são independentes! d-separated Exemplo no HUGIN H 6
22
DiagSD - variáveis 31/Jan/2003
23
DiagSD - diagnóstico 31/Jan/2003
24
DiagSD - relatório 31/Jan/2003 Zoom out
25
Bibilografia F. Jensen, An Introduction to Bayesian Networks, Springer-Verlag New York, Inc, 1996. J. Pearl, Probabilistic Reasoning in Intelligent Systems: networks of plausible inference, Morgan Kaufmann Publishers, Inc, 1988. S. Russel, P. Norvig, Artificial Intelligence: A Modern Approach, Prentice‑Hall, Inc, 1995. D. Heckerman, A Tutorial on Learning with Bayesian Networks, Microsoft Research Technical Report MSR‑TR‑95‑06, revised in 1996. M. I. Jordan, editor, Learning in Graphical Models, The MIT Press, 1999. B. J. Frey, Graphical Models for Machine Learning and Digital Communication, The MIT Press, 1998. Association for Uncertainty in Artificial Intelligence, in , 2003. HUGIN Expert, in MSBNx - Microsoft Belief Network Tools, in JavaBayes - Bayesian Networks in Java, in Software for Belief Networks, in , 1999. I. Milho, A. Fred, “Sistema de Apoio ao Diagnóstico Médico Baseado em Redes Bayesianas”, em Actas da Conferência Científica e Tecnológica em Engenharia - CCTE2002 , ISEL, Maio 2002. I. Milho, A. Fred, “A User-Friendly Development Tool for Medical Diagnosis based on Bayesian Networks”, in Enterprise Information Systems II, Kluwer Academic Publishers, 2001, p. 113‑118. 31/Jan/2003
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.