Projektbeschreibung
Extreme Datenanalysen im Gesundheitswesen
Von verschiedenen Daten des Gesundheitswesens liegen Mengen im Exa-Bereich vor, die in Größe (2020 sind über 2 000 Exabyte entstanden), Heterogenität (zahlreiche Medien und Sammelmethoden), Erkenntnis (Diagnoseberichte) und kommerziellem Wert einzigartig sind. Für die überwachte Modellbildung des Deep Learning sind große markierte und genau bezeichnete Datenmengen nötig, damit die Modelle alle Werte und Erkenntnisse ausschöpfen können. Das EU-finanzierte Projekt EXA MODE will nun eine leichte, schnelle überwachte Erkenntnisextraktion aus heterogenen Exa-Daten in einem wöchentlichen Turnus ermöglichen, bei der der Einfluss des Menschen so gering wie möglich wird. Ziel ist unter anderem, neue Methoden und Tools für extremskalige Analysen zu entwickeln und auf den Markt zu bringen, deren präzise Vorhersagen Grundlage für die Entscheidungsfindung in Wirtschaft und Krankenhäusern sein können. Diese multimodale semantische Middleware wird Verwaltung und Analyse heterogener Daten erleichtern und beschleunigen, wodurch die Architektur komplexer verteilter Systeme verbessert und die Geschwindigkeit in Datendurchsatz und -zugriff erhöht wird.
Ziel
Exascale volumes of diverse data from distributed sources are continuously produced. Healthcare data stand out in the size produced (production 2020 >2000 exabytes), heterogeneity (many media, acquisition methods), included knowledge (e.g. diagnostic reports) and commercial value. The supervised nature of deep learning models requires large labeled, annotated data, which precludes models to extract knowledge and value. EXA MODE solves this by allowing easy & fast, weakly supervised knowledge discovery of exascale heterogeneous data provided by the partners, limiting human interaction. Its objectives include the development and release of extreme analytic methods and tools, that are adopted in decision making by industry and hospitals. Deep learning naturally allows to build semantic representations of entities and relations in multimodal data. Knowledge discovery is performed via document-level semantic networks in text and the extraction of homogeneous features in heterogeneous images. The results are fused, aligned to medical ontologies, visualized and refined. Knowledge is then applied using a semantic middleware to compress, segment and classify images and it is exploited in decision support and semantic knowledge management prototypes. EXA MODE is relevant to ICT12 in several aspects: 1) Challenge: it extracts knowledge and value from heterogeneous quickly increasing data volumes. 2) Scope: the consortium develops and releases new methods and concepts for extreme scale analytics to accelerate deep analysis also via data compression, for precise predictions, support decision making and visualize multi-modal knowledge. 3) Impact: the multi-modal/media semantic middleware makes heterogeneous data management & analysis easier & faster, it improves architectures for complex distributed systems with better tools increasing speed of data throughput and access, as resulting from tests in extreme analysis by industry and in hospitals.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-ICT-2018-2
Finanzierungsplan
RIA - Research and Innovation actionKoordinator
2800 Delemont
Schweiz