elektronický časopis
- Conspectus
- Fyziologie člověka a srovnávací fyziologie
- NML Fields
- neurovědy
- NML Publication type
- elektronické časopisy
Zpracování znalostí zatížených nejistotou je jednou z nejdůležitějších aplikací metod umělé inteligence. Použití technologie bayesovských sítí umožňuje pro tyto ucely využít výsledky po několik století budované teorie pravděpodobnosti a pracovat s mnohorozměrnými pravdepodobnostními distribucemi V tomto případě muže být rozměr distribucí roven stovkám, případně i tisícům. To znamená, že tato technologie může být použita na reálné aplikace, na skutečné problémy, jejichž složitost přesahuje možnosti většiny dalších přístupů pro modelování nejistých znalostí. Vzhledem k tomu, že se jedná o poměrně mladou disciplínu, nelze říci, že všechny teoretické problémy a problémy spojené s návrhem aplikací již byly úspěšně vyřešeny. Nejvíce otevřených problémů je spojeno právě s konstrukcí bayesovských sítu Přesto sejižobjevují aplikace, které naznačují, že bayesovské sítě se stanoujednítn z mocných nástrojů umělé inteligence pro řešení složitých problémů. Proto lze předpokládat, že se s bayesovskými sítěmi budeme v blízké budoucnosti setkávat i v medicíně, která je jednou z oblastí, kde deterministická znalost je spíše výjimkou.
Uncertain knowledge processing is one of the most important applications of artificial intelligence. Bayesian network technology, taking advantage of for several centuries developed results of probability theory, enables processing of multidimensional probability distributions whose dimensionality equals hundreds or even thousands. Therefore, this technology can be applied to real-life problems whose complexity goes beyond cambility of most other approaches for uncertain knowledge processing. It cannot be said that this relatively new discipline has Iready solved all its theoretical and practical problems. Most of still open problems are connected with zonstraction of Bayesian network models for practical applications. Nevertheless, recently published applications suggest that Bayesian network will become one of he most powerful tool of artificial intelligence for uncertain knowledge processing. Therefore, we can assume that in near future we shall meet Bayesian network in medical applications as this field is one of those where deterministic knowledge is exception.
- MeSH
- Emulsions MeSH
- Expert Systems MeSH
- Technology, Pharmaceutical MeSH
- Artificial Intelligence MeSH
- Publication type
- Comparative Study MeSH
elektronický časopis
- Conspectus
- Fyziologie člověka a srovnávací fyziologie
- NML Fields
- neurovědy
- NML Publication type
- elektronické časopisy
Umělé neuronové sítě (ANN) jsou spolu s genetickými algoritmy jednou z mnoha metod řazených do skupiny metod umělé inteligence. Jejich aplikací na farmaceutická data je možné získat informace o vnitřní struktuře těchto dat, vytvořit model (tzv. adaptovat umělou neuronovou síť), či v některých případech extrahovat pravidla, na jejichž základě jsou data uspořádána. S pomocí adaptované ANN je dokonce možné predikovat tato data i pro látky, které nebyly použity v adaptační fázi. ANN mají obrovský potenciál ve farmaceutickém výzkumu, interpretaci analytických, farmakokinetických či toxikologických dat.
Artificial neural networks (ANN) and genetic algorithms are one group of methods called artificial intelligence. The application of ANN on pharmaceutical data can lead to an understanding of the inner structure of data and a possibility to build a model (adaptation). In addition, for certain cases it is possible to extract rules from data. The adapted ANN is prepared for the prediction of properties of compounds which were not used in the adaptation phase. The applications of ANN have great potential in pharmaceutical industry and in the interpretation of analytical, pharmacokinetic or toxicological data.
sv.
- MeSH
- Medicine MeSH
- Artificial Intelligence MeSH
- Publication type
- Periodical MeSH
- Conspectus
- Lékařské vědy. Lékařství
- NML Fields
- lékařství
elektronický časopis
- Conspectus
- Biologické vědy
- NML Fields
- biologie
- genetika, lékařská genetika
- NML Publication type
- elektronické časopisy
Rozvoj využití umělé inteligence (AI) je v současnosti velmi dynamický a zasahuje do řady lidských činností. Výjimkou nejsou ani zobrazovací metody v lékařství. AI se zde může uplatnit při obrazové akvizici, při zpracování a augmentaci obrazu, při interpretaci nálezu, popř. v rámci pokročilé analýzy obrazových charakteristik, tzv. radiomiky. K dispozici je již řada certifikovaných komerčních řešení, jejich validace a dostatečné doklady pozitivního dopadu na zdravotní péči jsou však zatím omezené. Role AI je v současnosti spíše podpůrná, to se však do budoucna nejspíše změní. Mezi rizika a nevýhody patří závislost na výpočetní síle, kvalitě vstupních dat a jejich zpracování lidským hodnotitelem pro potřeby učení neuronové sítě. Nedostatečná je transparence fungování algoritmů a problematická může být jejich přenositelnost. Užití AI s sebou přináší zcela nové etické a legislativní aspekty. Budoucí vývoj AI v zobrazovacích metodách je obtížné odhadovat, pravděpodobné je však další rozšiřování možností využití a reálného nasazení v klinické praxi.
The current era witnesses a highly dynamic development of Artificial Intelligence (AI) applications, impacting various human activities. Medical imaging techniques are no exception. AI can find application in image acquisition, image processing and augmentation, as well as in the actual interpretation of images. Moreover, within the domain of radiomics, AI can be instrumental in advanced analysis surpassing the capacities of the human eye and experience. While several certified commercial solutions are available, the validation and accumulation of sufficient evidence regarding their positive impact on healthcare is currently constrained. The role of AI presently leans towards being assistive, yet further evolution is anticipated. Risks and disadvantages encompass dependency on computational power, the quality of input data, and their annotation for learning purposes. The transparency of algorithmic functioning is lacking, and issues pertaining to portability may arise. The integration and utilization of AI introduce entirely new ethical and legislative aspects. Predicting the future development of AI in imaging methods is challenging, with a further increase in implementation appearing more probable.
Cíl: Práce seznamuje čtenáře s pokroky v hodnocení snímků sítnice pomocí umělé inteligence se zaměřením na screening diabetické retinopatie (DR). Popsány budou základní principy umělé inteligence a algoritmy, které se již dnes v klinické praxi používají nebo jsou krátce před schválením. Metodika: Literární rešerše zaměřená na charakteristiky a mechanismy jednotlivých přístupů k využití umělé inteligence (artificial intelligence AI). Hodnotili jsme anglicky psané články publikované do června 2020 s užitím klíčových slov: „diabetic retinopathy screening“, „deep learning“, „artificial intelligence“ a „automated diabetic retinopathy system“. Výsledky: Moderní systémy pro screening diabetické retinopatie využívající hluboké neuronové sítě dosahují ve většině publikovaných studií senzitivity i specificity nad 80 %. Výsledky konkrétních studií se liší v závislosti na definici zlatého standardu, velikosti souboru a hodnocených parametrech. Závěr: Hodnocení snímků pomocí AI do budoucna zrychlí a zefektivní diagnostiku DR a umožní i při nárůstu pacientů s diabetem bez adekvátního nárůstu počtu oftalmologů zachovat minimálně stávající kvalitu péče.
Objective: The aim of this comprehensive paper is to acquaint the readers with evaluation of the retinal images using the arteficial intelligence (AI). Main focus of the paper is diabetic retinophaty (DR) screening. The basic principles of the artificial intelligence and algorithms that are already used in clinical practice or are shortly before approval will be described. Methodology: Describing the basic characteristics and mechanisms of different approaches to the use of AI and subsequently literary minireview clarifying the current state of knowledge in the area. Results: Modern systems for screening diabetic retinopathy using deep neural networks achieve a sensitivity and specificity of over 80 % in most published studies. The results of specific studies vary depending on the definition of the gold standard, number of images tested and on the evaluated parameters. Conclusion: Evaluation of images using AI will speed up and streamline the diagnosis of DR. The use of AI will allow to keep the quality of the eye care at least on the same level despite the raising number of the patients with diabetes.
- MeSH
- Algorithms MeSH
- Diabetic Retinopathy * diagnosis MeSH
- Humans MeSH
- Sensitivity and Specificity MeSH
- Artificial Intelligence * MeSH
- Check Tag
- Humans MeSH
- Publication type
- Review MeSH