Metody przetwarzania danych multimodalnych w uczeniu maszynowym
autor : Katarzyna Topolska
format : B5
objętość : 174 str.
ISBN 978-83-7837-166-3
|
Metody przetwarzania danych multimodalnych w uczeniu maszynowym autor : Katarzyna Topolska format : B5 ISBN 978-83-7837-166-3 |
Niniejsza monografia powstała na podstawie ponad piętnastoletniego doświadczenia badawczego oraz wieloletniej współpracy autorki z licznymi ośrodkami medycznymi, klinicznymi i akademickimi w Polsce. Doświadczenie zdobyte podczas realizacji projektów badawczych, analiz klinicznych oraz współpracy interdyscyplinarnej pozwoliło na identyfikację najważniejszych problemów współczesnej diagnostyki medycznej oraz określenie obszarów, w których sztuczna inteligencja może stanowić realne wsparcie dla lekarzy specjalistów.
Wstęp
1. Multimodalna architektura głębokiego uczenia z bayesowską korektą aktywacji do detekcji endometriozy na podstawie danych obrazowych, tekstowych i klinicznych
1.1 Wprowadzenie
1.2. Analiza badań nad metodami uczenia maszynowego w zadaniu rozpoznawania endometriozy
1.3. Autorski model rozpoznawania endometriozy bazujący na danych multimodalnych
1.4. Ewaluacja eksperymentalna
1.5. Wnioski końcowe
2. Multimodalna analiza sygnałów biomedycznych w kontekście wczesnego wykrywania zawału serca
2.1. Wprowadzenie
2.2. Prace pokrewne związane z rozpoznawaniem sygnałów EKG i EEG
2.3. Autorski model
2.4. Ewaluacja eksperymentalna
2.5. Wnioski końcowe
3. Hybrydowe modele głębokiego uczenia w diagnostyce niewydolności żylnej
3.1. Wprowadzenie
3.2. Multimodalne podejście w diagnostyce układu żylnego - przegląd badań
3.3. Autorski model
3.4. Eksperymentalna weryfikacja modelu hybrydowego
3.5. Wnioski końcowe
4. Multimodalny system wspomagania decyzji klinicznych w diagnostyce nowotworów mózgu z wykorzystaniem mechanizmów wyjaśnialnej sztucznej inteligencji
4.1. Wprowadzenie
4.2. Paradygmat Trustworthy AI w neuroonkologii - przegląd dotychczasowych rozwiązań
4.3. Autorski model wykrywania zmian nowotworowych mózgu na podstawie danych multimodalnych
4.4. Ewaluacja eksperymentalna dla danych multimodalnych rozpoznawania i klasyfikacji nowotworów mózgu
4.5. Wnioski końcowe
5. Integracja danych multimodalnych w systemach wspomagania diagnostyki okulistycznej
5.1 .Wprowadzenie
5.2. Stan badań nad multimodalną fuzją danych w diagnostyce okulistycznej
5.3. Autorski model BDMF-Net jako podejście probabilistyczne do integracji danych multimodalnych
5.4. Ewaluacja eksperymentalna autorskiego modelu Byesian Deep Multimodal Fussion Network
5.5. Wnioski końcowe
6. Multimodadlna integracja wiedzy i niepewności w diagnostyce medycznej nowotworów skóry z wykoryzstaniem teorii Dempstera-Shafera
6.1. Wprowadzenie
6.2. Stan wiedzy i przegląd badań w obszarze multimodalnej diagnostyki medycznej zmian skórnych
6.3. Autorski model
6.4. Ewaluacja eksperymentalna
6.5. Wnioski końcowe
Zakończenie
Bibliografia