【例会】A Medical Case-Based Reasoning Approach Using Image Classification and Text Information for Recommendation

主持人:刘硕

参会老师:安宁、杨矫云

参会学生:刘硕,郭思伊,赵春阳,程坤,贵芳,殷越

时间:2019年7月10日

本次例会学习讨论了文章:

Nasiri S , Zenkert J , Fathi M . A Medical Case-Based Reasoning Approach Using Image Classification and Text Information for Recommendation[M]// Advances in Computational Intelligence. 2015.

一、背景

将视觉信息与文本信息结合在CBR(case-based reasoning)系统中,是克服现有医学CBR系统的局限性的一个很有前途的概念。现有医学CBR系统主要是通过数据挖掘、聚类技术或对患者健康状况参数进行统计分析来评估新病例和现有病例。

二、问题与假设

如何基于案例的推理和通过分析病人健康记录中的图像和文本,在即使有部分信息缺失的情况下,也可以针对患者的问题描述找到解决方案。

使用图像解释和单词关联来选择特征和推荐医疗解决方案。

三、方法

基于知识的系统,利用图形和文本数据源,采用CBR推荐方法对疾病进行识别和诊断。在实际应用中采用了图像解释和文本挖掘的方法,并在特征分析过程中考虑和建议医学专家的意见。病例的问题描述总结了有关症状、参考图像和检测结果的信息。当新案例被细化描述时,在案例匹配和检索过程中,检查当前案例与案例库中现有案例的相似性,以找到最接近的案例。

四、过程

通过图像解释相似性测度,将当前的案例与知识库中的现有案例进行比较。如果问题描述中存在文本数据,则可以将添加到每个案例中的关联概要文件中并与案例的现有概要文件进行比较。如果请求中不存在任何数据,则匹配过程可以跳过图形或文本相似性度量。选择最适合当前患者数据的知识库中的案例、文本问题描述以及患者图像的图形化解释,并将案例中的解决方案作为推荐。如果没有与当前用例匹配的用例,则在系统描述的知识库中创建一个新的实例,由领域专家进行验证。

五、结论

医学CBR系统可以通过在知识库中搜索与当前病例相似的现有病例,帮助提高疾病诊断和药物推荐以及患者治疗水平。具有通过检索相似病例的可能性,对评价文本、患者信息和图像在病例匹配过程中进行描述,能够匹配出合理适当的建议。

anyShare分享到:
This entry was posted in 新闻动态. Bookmark the permalink.

发表评论