• MeSH
• adaptivní klinické zkoušky jako téma MeSH
• řízené strojové učení MeSH
• Publikační typ
• monografie MeSH

• Konspekt
• Automatizační a řídicí technika
• NLK Obory
• technika
• technika lékařská, zdravotnický materiál a protetika

Časná diagnostika schizofrenie (Sch) a bipolární poruchy (BD) může významně snížit dopad neléčené nemoci. Neurozobrazovací metody dosud nenašly výrazné uplatnění v psychiatrické diagnostice. Strojové učení by mohlo pomoci realizovat diagnostický příslib neurozobrazovacích vyšetření. Výzkum prvních epizod nemoci snižuje heterogenitu a zvyšuje sensitivitu pro záchyt diagnostických biomarkerů. V této studii plánujeme shromáždit zobrazovací data zaměřená na strukturu, funkční a strukturální konektivitu mozku od 140 pacientů s první epizodou Sch, 140 pacientů s první epizodou mánie a 140 zdravých kontrol. Našim cílem je analyzovat neurozobrazovací výsledky pomocí strojového učení za účelem zlepšení časné a diferenciální diagnostiky Sch a BD. Žádné studie doposud nevyužily strojové učení k analýze více neurozobrazovacích modalit na dostatečně rozsáhlém a homogenním souboru pacientů s 2 závažnými psychiatrickými onemocněními. Diagnostický test založený na MRI biomarkrech by byl zásadním přínosem v časné diagnostice psychóz, kdy diagnostická chyba může vést k opožděné nebo neúčinné léčbě.; The early diagnosis of schizophrenia (Sch) or bipolar disorder (BD) could improve the outcomes and decrease the effects of untreated illness. Brain imaging has been of limited diagnostic use in psychiatry. Machine learning (ML) may better translate neuroimaging to individual subjects. Studying first episode participants decreases heterogeneity and increases sensitivity for detection of diagnostic biomarkers. We intend to combine brain imaging with ML to improve early diagnosis and early differentiation between Sch and BD. We will apply ML to structural MRI, diffusion tensor imaging and resting state functional connectivity data from 140 participants with first episode of Sch, 140 participants with first episode of mania and 140 controls matched by age and sex. No previous studies applied ML to multiple MRI modalities acquired from sufficiently large and homogeneous populations of participants with 2 major psychotic disorders. A diagnostic test based on MRI biomarkers would be of immense benefit in early detection, where a diagnostic error may lead to delayed or inefficient treatme...

• MeSH
• bipolární porucha diagnóza   MeSH
• časná diagnóza MeSH
• lidé MeSH
• magnetická rezonanční tomografie metody   MeSH
• schizofrenie diagnóza   MeSH
• strojové učení MeSH
• Check Tag
• lidé MeSH

• Konspekt
• Patologie. Klinická medicína
• NLK Obory
• knihovnictví, informační věda a muzeologie
• neurologie
• radiologie, nukleární medicína a zobrazovací metody
• NLK Publikační typ
• závěrečné zprávy o řešení grantu AZV MZ ČR

• MeSH
• informační věda MeSH
• internet MeSH
• knihovnické služby trendy   MeSH
• lékařská informatika MeSH
• lékařské knihovny trendy   MeSH
• šíření informací MeSH
• ukládání a vyhledávání informací MeSH
• Publikační typ
• abstrakt z konference MeSH
• sborníky MeSH

• Konspekt
• Knihovnictví. Informatika
• NLK Obory
• knihovnictví, informační věda a muzeologie

• MeSH
• biologické vědy MeSH
• fyziologie MeSH
• inženýrství MeSH

• Konspekt
• Fyziologie člověka a srovnávací fyziologie
• NLK Obory
• fyziologie

• Klíčová slova
• naivní model, transfuzní přípravek,
• MeSH
• dárci krve MeSH
• krevní bankovnictví organizace a řízení   MeSH
• strojové učení zásobování a distribuce   MeSH
• techniky plánování MeSH
• umělá inteligence zásobování a distribuce   MeSH
• vybavení a zásoby nemocnice MeSH

• Konspekt
• Patologie. Klinická medicína
• NLK Publikační typ
• závěrečné práce

• Klíčová slova
• vzdělávání v ošetřovatelství, výuka ošetřovatelství, projektové vyučování, sborník, portfólio, koučink, hodnocení v ošetřovatelském vzdělávání,
• MeSH
• ošetřovatelství MeSH
• počítačem řízená výuka MeSH

Nedávné technologické pokroky biomedicínského výzkumu umožnily zkoumat základní biologické procesy v živých organismech při různých rozlišeních a z různých úhlů pohledu. Zatímco množství produkovaných dat v průběhu let dramaticky roste, tempo našich získávaných znalostí spíše zaostává, což ukazuje na neschopnost současných výpočetních nástrojů umožnit extrakci znalostí z velkého množství zašuměných dat. NEUROMINER poskytne rámec pro strojové učení a dolování z obrazových dat se zvláštním důrazem na neurovědní výzkum. Tři hlavní osy projektu odpovídají problémům, pro které v současné době není známo řešení: (1) extrakce a selekce příznaků se silnou diskriminačních schopností z mnohorozměrných dat, (2) nepřeučené systémy učící se z mnohorozměrných dat (3) rigorózní postup pro statistické validace modelů. Navrhovatelé projektu jsou experty ve zpracování analýze medicínských obrazů, biostatistice a strojovém učení.; The recent technological advances enabled the biomedical research to explore the underlying biological processes of the living organisms at various resolutions and from different perspectives. While the amount of produced data grew dramatically over the years, the pace at which our knowledge lagged behind - an indication of inability of the current computational tools to extract knowledge from the large pool of noisy data. NEUROMINER will provide a framework for machine learning and data mining, with a special emphasis on neuroscience research. The project has three main axes of research, each corresponding to a currently unmet need: (1) extraction and selection of features with strong discrimination properties, (2) systems able to learn from high-dimensional data and not suffering from overfitting problems, and (3) rigorous statistical model assessment procedure. The applicants are experts in medical image processing and analysis, biostatistics and machine learning.

• MeSH
• biostatistika MeSH
• data mining MeSH
• mozek diagnostické zobrazování   MeSH
• neuronové sítě MeSH
• neurozobrazování MeSH
• počítačové zpracování obrazu MeSH
• reprodukovatelnost výsledků MeSH
• schizofrenie diagnostické zobrazování   MeSH
• strojové učení MeSH

• Konspekt
• Patologie. Klinická medicína
• NLK Obory
• neurologie
• radiologie, nukleární medicína a zobrazovací metody
• lékařská informatika
• NLK Publikační typ
• závěrečné zprávy o řešení grantu AZV MZ ČR

Zcela novou technikou, umožňující průběžnou peroperační kontrolu resekce nádorové tkáně, se jeví využití Ramanovy spektroskopie, která na základě spektrální analýzy hodnotí biochemické složení (fingerprint) tkáně. Ramanovo spektrum je pro každou tkáň jedinečné a umožní odlišit nádorovou tkáň a od tkáně normálního mozku v minimálním objemu vzorku, který odpovídá hrotu mikrosondy. Jedná se o optickou analýzu, které nemá žádný negativní vliv na vyšetřovanou tkáň. Podstatou projektu je vyšetřit a spektrálně charakterizovat soubor pacientů s gliálním nádorem mozku. Na získané spektrální databáze budou následně aplikovány metody strojového učení. V první fázi budou analyzovány vzorky ex vivo a následně bude tkáň vyšetřována in vivo v průběhu chirurgického odstraňování nádoru. Přidanou hodnotou projektu je zejména větší soubor pacientů, než je tomu u recentních studií, a navíc i snaha o klasifikaci high- a low-grade gliomů, což má přímou souvislost se strategií léčby. Silnou stránkou projektu je mj. zkušený řešitelský tým, který propojuje odborníky několika disciplín.; A novel technique in real-time perioperative identification of resection margins of tumour tissue, Raman spectroscopy uses spectral analysis to identify the biochemical composition of tissue (fingerprint). Raman spectra are unique for each tissue and allow for discerning between normal and tumour brain tissue in a minimal volume of sample corresponding to the tip of a microprobe. It is an optical analysis which has not negative impact on the sample studied. The aim of the project is to examine and characterise the spectra of a set of patients with glial tumours. The spectral database will then serve as a source for machine learning methods for identification of tissue types. First, ex vivo samples will be analysed, later also in vivo during surgical removal of tumours. The added value of the project is a larger patient population than in recent studies and also the aim of classifying high- and low-grade gliomas which has a direct impact on treatment strategy. The project relies on an experienced multidisciplinary team.

• Klíčová slova
• Machine learning, Strojové učení, Ramanova spektroskopie, Raman spectroscopy, Peroperační Ramanova spektroskopie, Klinická spektroskopie, Intraoperative Raman spectroscopy, Clinical spectroscopy, Ramanova próba, Raman probe,

• NLK Publikační typ
• závěrečné zprávy o řešení grantu AZV MZ ČR

Předkládaný projekt navrhuje vytvořit software využitelný v klinické praxi při počítačové diagnostice neuropsychiatrických poruch z obrazů mozku pořízených magnetickou rezonancí (MR). Projekt vychází ze zkušeností s pokročilou analýzou MR obrazů včetně hodnocení morfologie mozku pacientů s první epizodou schizofrenie. Autorizovaný software - hlavní předmět předkládaného projektu - bude spojovat metody zpracování a analýzy obrazů mozku s pokročilými algoritmy strojového učení pro predikci, klasifikaci a rozpoznávání. Vznikne tak nový prostředek pro analýzu obrazových dat, který přiblíží zobrazovací metody klinické praxi v psychiatrii, umožní objektivní diagnostiku, která je v současné praxi založena na subjektivním hodnocení klinicky patrných změn psychických funkcí a chování. Metodika řešení projektu zahrnuje jednak vývoj metod zaměřených na popis obrazů s důrazem na využití automatických morfometrických metod a dále vývoj klasifikátorů využívajících příznakového popisu z různých datových zdrojů.; The project proposes to develop software usable in clinical practice for computer aided diagnosis of neuropsychiatric disorders from MR images of brain. It is based on experience with advanced analysis of MR images, including assessment of brain morphology in the first episode of schizophrenia. Authorized software - the main subject of the proposed project - will combine methods for image processing and analysis with advanced machine learning algorithms for prediction, classification and recognition. This will provide a new tool for analyzing image data, which will bring medical imaging closer to the clinical psychiatry by making diagnosis objective, which is in the current practice based on subjective evaluation of clinically evident changes in mental function and behavior. The methodology includes the development of algorithms aimed at the description of the images with the use of automated morphometry as well as the development of classifiers using features extracted from various data sources.

• MeSH
• algoritmy MeSH
• magnetická rezonanční tomografie MeSH
• morfologické a mikroskopické nálezy MeSH
• mozek MeSH
• multimodální zobrazování MeSH
• neuroanatomie MeSH
• neuropsychiatrie MeSH
• neurovědy MeSH
• pozorovací studie jako téma MeSH
• rozpoznávání automatizované MeSH
• schizofrenie diagnóza   MeSH
• strojové učení MeSH
• zobrazování trojrozměrné MeSH

• Konspekt
• Patologie. Klinická medicína
• NLK Obory
• neurologie
• neurovědy
• psychiatrie
• NLK Publikační typ
• závěrečné zprávy o řešení grantu IGA MZ ČR

• MeSH
• informatika MeSH
• internet využití   MeSH
• kontinuální vzdělávání MeSH
• lékařská informatika MeSH
• ukládání a vyhledávání informací využití   MeSH
• Publikační typ
• příručky MeSH

• Konspekt
• Lékařské vědy. Lékařství
• NLK Obory
• lékařská informatika
• zdravotní výchova