PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników
Powiadomienia systemowe
  • Sesja wygasła!

Znaleziono wyników: 5

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available Probabilistic graphical model supporting early diagnosis of autism spectrum disorder
Szczygieł J., Oniśko A., Świderska J., Krysiewicz E., Sienkiewicz J.
Advances in Computer Science Research
|
2014
|
Nr 11
151--164
EN
Bayesian networks are recognized as a suitable tool for modelling diagnostic problems. The power of this modelling is that it can combine knowledge coming from different sources. For example, in case of medical domain, the expert knowledge can be merged along with the medical data. This paper presents a Bayesian network model for early diagnosis of autism. The model was built based on the medical literature and then was revised by two domain experts. Our tool is dedicated to parents that can perform an early diagnosis of their child before visiting a specialist.
PL
Sieci bayesowskie są często używanym narzędziem w rozwiązywaniu problemów diagnostycznych. Jedną z zalet tego narzędzia jest mozliwość łączenia wiedzy pochodzącej z różnych źródeł. Na przykład, wiedza ekspertów może być połączona z danymi. W naszym artykule prezentujemy model sieci bayesowskiej wspomagający wczesne diagnozowanie autyzmu. Model został zbudowany w oparciu o literaturę medyczną, a następnie zweryfikowany przez ekspertów. Narzędzie, które stworzyliśmy jest dedykowane rodzicom, którzy mogą dokonać wstępnej diagnozy zanim skontaktują się ze specjalistą.
2
Content available Application of dynamic Bayesian networks to risk assessmnet in medicine
Oniśko A.
Zeszyty Naukowe Politechniki Białostockiej. Informatyka
|
2010
|
Z. 5
35-49
EN
Dynamic Bayesian networks (DBNs) offer a framework for explicit modeling of temporal relationships, and are useful as both prognostic and diagnostic tools. In medicine, for example, they can assist in planning treatment options or in clinical management of patients. They have been also widely applied to genomics and proteomics. This paper shows how dynamic Bayesian networks can be used in a risk assessment in medicine and presents an example of an application to cervical cancer screening. The model is a convenient tool for assessing the risk of cervical precancer and invasive cervical cancer over time. These quantitative risk assessments are helpful for establishing the optimal timing of follow-up screening and are the first step toward generating individualized reevaluation scheduling.
PL
Dynamiczne sieci bayesowskie (DBNs) pozwalają na modelowanie zależności czasowych. Modele te są niejednokrotnie używane w prognostyce. Na przykład w medycynie, jako narzędzia do prognozowania czy też planowania terapii. Dynamiczne siecibayesowskie sa˛ też szeroko stosowane w genomice oraz w proteomice. Atrykuł ten opisuje, w jaki sposób dynamiczne sieci bayesowskie mogą być zastosowane w wyznaczaniu ryzyka w medycynie. W pracy przedstawiono przykład zastosowania dynamicznych sieci bayesowskich w profilaktyce raka szyjki macicy. Prezentowany model został zbudowany w oparciu o dwa źródła wiedzy: opinie eksperta oraz dane medyczne. Model ten pozwala na wyznaczanie ryzyka zachorowania na raka szyjki macicy. Wartości ryzyka wyznaczane przez model pozwalają na określenie optymalnego czasu wykonania kolejnych badań przesiewowych oraz na zindywidualizowanie procesu profilaktyki.
3
Content available Knowledge acquisition from human experts for building bayesian network models
Oniśko A.
Zeszyty Naukowe Politechniki Białostockiej. Informatyka
|
2007
|
Z. 2
109-119
EN
Knowledge acquisition from experts is a costly and time-consuming task. While domain experts have the necessary knowledge and expertise, they rarely have the experience needed to translate this knowledge into the model. This paper describes typical problems that are encountered by knowledge engineers when building Bayesian network models and illustrates some practical techniques to overcome them. The presented examples capture the problems that occurred during elicitation the numerical parameters of the model for diagnosis of liver disorders.
PL
Pozyskiwanie wiedzy od ekspertów jest kosztownym i czasochłonnym zadaniem. Pomimo ogromnej wiedzy i doświadczenia, jakie posiadają eksperci, niejednokrotnie nie potrafią ich przenieść na tworzony model. Poniższy artykuł opisuje przykłady problemów, z jakimi może się zetknąć inżynier wiedzy w trakcie budowania modeli sieci bayesowskich, jak również proponuje rozwiązania tych problemów. Prezentowane przykłady dotyczą problemów, jakie pojawiły się w trakcie pozyskiwania od eksperta parametrów numerycznych modelu sieci bayesowskiej do diagnozowania chorób wątroby.
4
Content available remote System ekspertowy do wspomagania diagnozy łagodnego przerostu prostaty
Makal J., Nazarkiewicz A., Oniśko A., Orzechowski P.
Pomiary Automatyka Robotyka
|
2004
|
R. 7, nr 7-8
193-196
PL
W artykule zaprezentowano ideę budowy systemu ekspertowego do diagnozy BPH. System ekspertowy powstał w oparciu o badania zalecane przez lekarzy urologów. System ekspertowy został zbudowany w oparciu o sieci bayesowskie. System ekspertowy ma pomagać lekarzowi w kwalifikowaniu pacjenta na zabieg operacyjny.
EN
In this paper an idea of expert system for support of diagnosis of BPH is presented. The support system is build on bayes net. The results of investigations to building a model system were recommended by the urologists. The expert system described in this paper has to help doctor to make decision for operating patient.
5
Content available remote Evaluation of the HEPAR II system for diagnosis of liver
Oniśko A.
Prace Instytutu Podstaw Informatyki Polskiej Akademii Nauk
|
2001
|
Nr 928
62-65
EN
This paper describes a study conducted in order to validate in practice the HEPAR II system for diagnosis of liver disorders. HEPAR II's performance is compared against the performance of general practitioners with typically 1-2 years of clinical experience on the randomly selected patient cases with histopathologically confirmed diagnosis. HEPAR II performed on average better than physicians (p<0.03). The study has also tested the effect on system's suggestions on the ultimate diagnosis indicated by the physicians. Here also the results were encouraging: system's advice improved the ultimate diagnosis (p<0.01).
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.