Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Webes felületű orvosi kódolástámogató rendszer BSc önálló laboratórium Sárándi István Konzulens: Héja Gergely 2011 tavasz.

Hasonló előadás


Az előadások a következő témára: "Webes felületű orvosi kódolástámogató rendszer BSc önálló laboratórium Sárándi István Konzulens: Héja Gergely 2011 tavasz."— Előadás másolata:

1 Webes felületű orvosi kódolástámogató rendszer BSc önálló laboratórium Sárándi István Konzulens: Héja Gergely 2011 tavasz

2 A problémáról

3 Célkitűzés  Orvosok segítése diagnózisok kódolásában webes felületen  manuálisan sok időt igényel  BNO = Betegségek Nemzetközi Osztályozása  Célja  statisztika  finanszírozás  Hierarchikus kódrendszer  21 főcsoport (pl. daganatok)  Kb. 10 ezer kód (pl. C3840)

4 Felhasználási séma Kódoló rendszer fibrillatio auricula paroxysmalis 1.a felhasználó (pl. orvos) begépeli a diagnózist 2.a rendszer visszaad egy tipplistát 3.a felhasználó megnézi a talált kódok leírását és dönt 4.(a felhasználó visszajelzést küld a rendszernek, hogy végül mit választott)

5 Minták  Rendelkezésre állnak szakértők által kódolt, tisztított minták (diagnózis–kód párok)  ~3000 darabos magyar (BNO-10)  ez alapján működne a szolgáltatás  ~ darabos német (BNO-9)  a módszerek jobb kiértékelésére

6 Módszerek

7 Lehetséges megközelítések Pl.: Strictura ureteris hydronephrosis nélkül  Szintaktikai  természetesnyelv-feldolgozás  nincs sok elemeznivaló  Szemantikus  kifejezések jelentései közötti kapcsolatok leírása  tárgyterületi ontológiák szükségesek  Tárgyfüggetlen osztályozó módszerek

8 Osztályozás  Módszerek  Vektortér  Bayes-modell  Neurális háló  (Szupportvektor-gép)  Keverékek  Az osztályok a BNO-kódoknak felelnek meg  több ezer osztály!  Mind vektorokat igényelnek bementként, de nekünk sztringjeink vannak!

9 Vektorosítás  Szóhalmaz-modell (bag-of-words)  dokumentumosztályozásban népszerű  pl. spam szűrés  erős absztrakció  sorrend  szóhasonlóságok (pl. morfológia, szinonimák)

10 Vektorosítás fibrillatio aricula paroxysmalis  implementációs megjegyzés  tároljuk csak az előforduló szavak indexét! 000…010…010…010…000 fibrillatio auricula paroxysmalis urosepsis sok ezer dimenzió!

11 Vektortér 

12  Előnyei  nagyon egyszerű implementáció  Hátrányai  lassú  nem veszi figyelembe a szavak fontosságát  ~43%  előfeldolgozás  IDF súlyozás  ~52%

13 Vektortér IDF súlyozással 

14 Bayes-modell 

15 Naiv Bayes-osztályozó 

16  Előnyei:  egyszerű implementáció  szilárd elméleti háttér  Hátránya:  naiv feltételezés  gyenge eredmény (~50%)

17 Neurális modell  Elemi perceptron (neuron)  súlyozott összeg +eltolás  nemlinearitás  a súlyok tanítása  MLP: multi-layer perceptron  rétegesen + ×w 1 ×w 2 ×w 3 b

18 Neurális modell  Tanítása ciklusokban  Súlymódosítás: „legmeredekebb lejtő”  Tesztelés  ha a hibamérték „növekedésnek indul”, leállás  fordulópont detektálása  hiba-visszaterjesztés (backpropagation)

19 Neurális modell  Osztályozás:  kimenet = osztály relevanciója  logisztikus függvény 0..1 a kimeneten  több ezer kimenet!

20 Neurális modell  Előnyei:  futáskor gyors  csak a nem zérus bemenetek esetén történik szorzás  rejtett réteg növeli a számítási komplexitást, de nem javít sokat a megoldás minőségén  jó eredmények (~52%)  Hátrányai  tanítása lassú  bonyolultabb implementáció

21 Kevert modellek  Különböző osztályozók eredménylistáit súlyozva egyesítjük  Elgondolás:  a hibásak eltérnek  súlyozott összegzéssel feljöhet a helyes

22 Eredménykeverés KódBizonyosság B0,27 C0,26 A0,25 D0,11 E KódBizonyosság D0,28 A0,25 B0,17 E0,16 C0,14 KódBizonyosság A0,25 B0,22 C0,20 D0,195 E0,135 0,5

23 Kevert modellek  súlyozás  konstans  kapuzó rendszer határozza meg  bemenetfüggő  klaszterezés  tippelt szakértelem  tippelt osztálycsoport  struktúra kell  használjuk ki a BNO kódhierarchiát!  21 szakértő osztályozó a főcsoportokhoz

24 Konstans súlyú keverés  optimális súlyozást keresünk (w, 1-w)  brute-force  lépegessünk kis lépésekben w=0..1  a tesztmintán mérjük a jóságát  definiálni kell valamilyen mértéket  végül a két osztályozót az egész tanítómintával megtanítjuk

25 Konstans súlyú keverés  Előnyei:  egyszerű  legjobb eredmények  Hátrányai:  több osztályozó esetén a brute-force módszer nem megfelelő  súlyoptimalizáló rendszer kell

26 MOE tanítása Kapuzó osztályozó Címkéző kód főcs. diagnózis szűrés szakértő

27 MOE használata Kapuzó osztályozó listák összevonása szakértő szakértők becsléseinek súlyozása az adott főcsoport becsült relevanciájával × × × × diagnózis kódlisták relevanciával max v sum

28 MOE  Előnyei:  neurális szakértők esetén gyorsabb és jobb eredmények, mint a lapos neurális modell esetén! (~55%)  egyszerű implementáció  Hátrányai:  ?

29 Szakértelembecslés  tanítás  tanítóhalmazzal tanítjuk a szakértőket (még nem tudjuk, hogy minek a szakértői lesznek)  kapuzó hálót tanítunk  az egyes szakértők mennyire ügyesek az adott tesztbemenetnél  használata  MOE-hoz hasonlóan

30 Szakértelembecslés  Előnyei:  jobb eredmény, mint külön-külön  sok szakértővel is hatékony  Hátrányai:  nem valószínű szignifikáns összefüggés  a kapuzó ilyen esetben két dolgot tanul:  általánosan mennyire nehéz a bemenet (felesleges)  általánosan mennyire jók az osztályozók (egyszerűbben is kiszámolható)

31 Implementáció

32 Alapvető felépítés Osztályozó szerver WebszerverBöngésző Egyéb kliens- program TCP, XML HTTP, XHTML

33 Osztályozó szerver  Különböző parancssori paraméterezések  train config.xml trainingdata.rep classif.dat  osztályozó felépítésének (típus, részei, paraméterek) beolvasása XML fájlból  tanítás  kapott tanított osztályozó szerializálása fájlba  serve classif.dat 5555  a megadott porton TCP sockettel figyel  a beérkező diagnózisokat a megadott fájlból betöltött osztályozóval kódolja

34 Konfiguráció MLP bagofwords counter

35 Konfiguráció MLP bagofwords counter

36 Konfiguráció Hierarchic

37 Konfiguráció Interval ICD10.def

38 Csomagok

39 Framework

40 Classifier

41 Classifier Adapter

42 Validation

43 Neuralnetwork

44 Vector

45 Parallel  többmagos gépen sok minden gyorsítható  tesztelés  neurális háló  vektortér

46 Köszönöm a figyelmet!


Letölteni ppt "Webes felületű orvosi kódolástámogató rendszer BSc önálló laboratórium Sárándi István Konzulens: Héja Gergely 2011 tavasz."

Hasonló előadás


Google Hirdetések