14
S ysteemianalyy sin Laboratorio Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy Sovelluksia Kerttu-Liisa Kilpijoki

Sovelluksia

  • Upload
    honora

  • View
    44

  • Download
    0

Embed Size (px)

DESCRIPTION

Sovelluksia. Kerttu-Liisa Kilpijoki. Sisällys. Sovellusalat Bayesverkot lääketieteessä Tapaus 1: Triage Tapaus 2: Neuse joen rehevöityminen Kritiikkiä ja kommentteja Yhteenveto Lähteet Kotitehtävä. Sovellusaloja. Tiedon analysointi ( Data mining ) - PowerPoint PPT Presentation

Citation preview

Page 1: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 1

Sovelluksia

Kerttu-Liisa Kilpijoki

Page 2: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 2

Sisällys

1. Sovellusalat 2. Bayesverkot lääketieteessä3. Tapaus 1: Triage4. Tapaus 2: Neuse joen rehevöityminen5. Kritiikkiä ja kommentteja6. Yhteenveto7. Lähteet8. Kotitehtävä

Page 3: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 3

Sovellusaloja

• Tiedon analysointi (Data mining)– Tilastollisesta esimerkkiaineistosta yleisesti tulkittava malli– Ongelmakentän ominaisuudet– DNA-sekvenssien analysointi, tähtikartastot

• Vikadiagnostiikka– MS: apuväline tietokoneen käyttäjälle ongelmatilanteissa– Intel: laaduntarkkailu prosessoripiirien valmistusprosessissa

• Älykkäät agentit– Helpottaa sovellusten käyttöä tarjoamalla aktiivisesti apua– Esim. Office Assistant

Page 4: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 4

Sovellusaloja

• Avaruustutkimus– NASA edelläkävijä– Ulkoavaruuden tutkimuksessa prioritodennäköisyydet tai odotusarvot

tuntemattomia– Verkon potentiaalisysteemit saadun datan perusteella → epäsuora

verkko → muiden datajoukkojen rinnastus → uusien teorioiden ja hypoteesien testaus

• Prosessikontrolli– VISTA-järjestelmä avaruussukkuloiden lennoilla– Vikatilanteet ja korjausehdotukset – Näytöillä vain tärkeimmät mittaustulokset

• Kuvankäsittely– Ei Bayesverkkosovellus, mutta perustuu bayesilaisen mallinnuksen

periaatteisiin– Superresoluutiokuvat (NASA)

Page 5: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 5

Bayesverkot lääketieteessä

• Eräs ensimmäisistä sovelluksista IntelliPath – Rintasyövän diagnosointi– Potilaiden riskianalyysi

• Diagnosointi, hoidon vaikutus• Optimaalinen hoito → tehokkuus• Miksi Bayes?

– Epävarmuus: diagnoosi, puuttuva tieto– Evidenssin lisäys– Malli mittausdatan/kirjallisuuden pohjalta

• Dynaamiset aikamallit– Epidemioiden riskimallit– elinajanennusteet

Page 6: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 6

Triage

• Apuväline lääketieteelliseen päätöksentekoon• Tavoitteena potilaiden oikea ja tehokas hoito

– Diagnoosi– Potilaiden priorisointi tilan vakavuuden perusteella– Sijoitus (hoitoyksikkö) → hoitoviiveen minimointi

• Verkon toiminta:1) Pääoireet: prioritodennäköisyydet, ryhmittely2) Esikysymykset3) Kyselytutkimus → oireiden päivitys4) Lista diagnooseista5) Iterointi: ketju toistetaan alusta, kunnes päästään yhteen tai kahteen

diagnoosiin• Hyötysolmu

– Sakkofunktio (kulut, hoitamattomuuden seuraukset jne.)– Hoitopäätös ehdolla diagnoosi=tosi

Page 7: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 7

Page 8: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 8

Neuse-joen rehevöityminen (1/3)

• Simulointiohjelmilla vaikeaselkoisia tuloksia

• Halutaan tietoa kiinnostavista muuttujista → linkkaus typpeen (pääsyy rehevöitymiseen)

• Kausaalisuhteet näkyviin

• Apu päätöksentekoon, tietoa joen tilasta

• Verkon koko: muuttujille kriteerit– Kontrolloitavuus/ennustettavuus/hallittavuus

Page 9: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 9

Neuse-joen rehevöityminen (2/3)

Kalakannan kunto

Äyriäisten elinkyky

Siimaeliöt

Joen typpipitoisuus

Nääntymisen kesto

Ristituulet

Levän tiheys

Hiilen tuotto

Sedimentin hapentarve

Hapen konsentraatio

Kalakuolemat

Hypoksian kesto

Joen virtaama

Veden lämpötila-15%

-11%

-50%

Page 10: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 10

Neuse-joen rehevöityminen (3/3)

• Tulokset todennäköisyysjakaumina• Tilat a) ei muutosta ja b) typpeä 50 %

vähemmän• Muutokset pieniä

– Mitä enemmän muuttujia välissä, sen pienempi vaikutus

• Ei varsinaista uutta tietoa, mutta hyvä kuva ekosysteemin toiminnasta: mikä vaikuttaa mihin

Page 11: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 11

Kritiikkiä ja kommentteja

• Priorijakaumien määritys• Ei toimi, jos ongelmaan liittyy paljon epävarmuutta• Toimii päättelyketjun ja annettujen todennäköisyyksien

mukaan → odottamattomia tilanteita ei pystytä käsittelemään– Office Assistant– Automaattinen ohjaus

• Suurissa verkoissa laskennallinen vaikeus– Algoritmien jumiutuminen

• Hyvä ongelman hahmotuksessa– Kausaalisuhteet

• Ei ehdotonta oikeaa ratkaisua, kuitenkin hyvä apuväline

Page 12: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 12

Yhteenveto

• Bayesverkoilla paljon sovelluksia– Tietokoneen käyttöjärjestelmissä

– Avaruustutkimuksessa

– Lääketieteessä

• Mallit mittausdatan tai esitiedon pohjalta

• Diagnoosit, ennustus, tuotantokontrolli

Page 13: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 13

Lähteet

• Johdatus Bayesverkkoihin ja sovelluksiinwww.niedermayer.ca/papers/bayesian/bayes.html

• Bayesilaiset mallit lääketieteessäwww.csd.abdn.ac.uk/~plucas/aime01-ws.html

• Huginwww.hugin.com/cases

• P. Myllymäki, H. Tirri: Bayesverkkojen mahdollisuudet, Teknologiakatsaus 58/98, TEKES 1998

• M.E. Borsuk et al., A Bayesian network of eutrophication models for synthesis, prediation and uncertainty analysis, Ecological Modelling 173 (2004) 219-239

Page 14: Sovelluksia

S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki

Optimointiopin seminaari - Syksy 2005 / 14

Kotitehtävä

• Esittele lyhyesti Lumiere-projekti ja jokin muu sovellus– Tekstiä max yksi A4