pattern recognition
Dotaz
Zobrazit nápovědu
elektronický časopis
- Konspekt
- Počítačová věda. Výpočetní technika. Informační technologie
- NLK Obory
- lékařská informatika
- NLK Publikační typ
- elektronické časopisy
elektronický časopis
- Konspekt
- Počítačová věda. Výpočetní technika. Informační technologie
- NLK Obory
- lékařská informatika
- NLK Publikační typ
- elektronické časopisy
sv. ; 28 cm.
- MeSH
- rozpoznávání automatizované * MeSH
- umělá inteligence MeSH
- Publikační typ
- periodika MeSH
- Konspekt
- Umělá inteligence
- NLK Obory
- lékařská informatika
- MeSH
- algoritmy MeSH
- artefakty MeSH
- diagnostické zobrazování trendy MeSH
- elektroencefalografie * metody trendy využití MeSH
- epilepsie diagnóza MeSH
- expertní systémy MeSH
- lidé MeSH
- nemoci mozku * diagnóza etiologie MeSH
- počítačové zpracování obrazu metody trendy MeSH
- počítačové zpracování signálu MeSH
- rozpoznávání automatizované * metody trendy MeSH
- statistika jako téma MeSH
- teoretické modely MeSH
- Check Tag
- lidé MeSH
The existence of pattern recognition receptors (PRRs) on immune cells was discussed in 1989 by Charles Janeway, Jr., who proposed a general concept of the ability of PRRs to recognize and bind conserved molecular structures of microorganisms known as pathogen-associated molecular patterns (PAMPs). Upon PAMP engagement, PRRs trigger intracellular signaling cascades resulting in the expression of various proinflammatory molecules. These recognition molecules represent an important and efficient innate immunity tool of all organisms. As invertebrates lack the instruments of the adaptive immune system, based on "true" lymphocytes and functional antibodies, the importance of PRRs are even more fundamental. In the present review, the structure, specificity, and expression profiles of PRRs characterized in annelids are discussed, and their role in innate defense is suggested.
- MeSH
- kroužkovci imunologie MeSH
- membránové glykoproteiny chemie genetika metabolismus MeSH
- PAMP struktury imunologie metabolismus MeSH
- přirozená imunita * MeSH
- proteiny akutní fáze chemie genetika metabolismus MeSH
- receptory rozpoznávající vzory chemie genetika metabolismus MeSH
- regulace genové exprese MeSH
- signální transdukce imunologie MeSH
- tkáňová distribuce MeSH
- toll-like receptory chemie genetika metabolismus MeSH
- transportní proteiny chemie genetika metabolismus MeSH
- zvířata MeSH
- Check Tag
- zvířata MeSH
- Publikační typ
- časopisecké články MeSH
- práce podpořená grantem MeSH
- přehledy MeSH
Využití pokročilých metod z oblasti reprezentace znalostí a pattern matchingu otevírá možnost vytvoření nových nástrojů pro analýzu medicínských dat, které lze vhodně kombinovat s existujícími a používanými metodami a nástroji (např. statistickými). To otevírá možnost nových způsobů hledání analogií mezi klinickými případy, ověřování doporučených léčebných postupů a analýzy nákladovosti léčebného procesu. V příspěvku byly shrnuty závěry z projektu UIRON a představen další směr vývoje prováděného v Laboratoři a znalostních robotů na FI MU ve spolupráci se spin-offem MU – firmou Mycroft Mind, a.s.
Utilization of advanced methods of knowledge representation and pattern matching allows to develop new tools and software systems for medical data analysis. These software systems emerge as the smart piece of technology to be effectively and efficiently combined with existing methods and tools (e.g. statistical). Consequently, new ways of revealing similarities among clinical cases, verification of guidelines, and cost analysis of therapeutic processes can be explored. The paper summarizes the results of UIRON project, and outlines implications for further research and development carried out by the Knowledge and Information Robots Laboratory in cooperation with Masaryk University spin-off Mycroft Mind, Inc.
The main goal of this study is to demonstrate the possibility of training the Neural Network (multilayer perceptron) classifier and preprocessing units simultaneously, i.e., that properties of preprocessing are chosen automatically during the training phase. In the first realization step, adaptive recursive estimation of the power within a frequency band was used as a preprocessing unit. To improve the efficiency of special units, the power and momentary frequency estimation was replaced by methods that are based on adaptive Hilbert transformers. The strategy was developed to obtain optimized recognition units that can be efficiently integrated into strategies for monitoring the cerebral status of neonates. Therefore, applications (e.g., in neonatal EEG pattern recognition) will be shown. Additionally, a method of minimizing the error function was used, where this minimization is based on optimizing the network structure. The results of structure optimization in the field of EEG pattern recognition in epileptic patients can be demonstrated.
