S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki
Optimointiopin seminaari - Syksy 2005 / 1
Sovelluksia
Kerttu-Liisa Kilpijoki
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
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
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)
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
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
S ysteemianalyysinLaboratorioTeknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki
Optimointiopin seminaari - Syksy 2005 / 7
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
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%
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
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
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
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
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