Description du projet
L’application de méthodes analytiques extrêmes dans les soins de santé
Les volumes exceptionnels de données diverses sur les soins de santé se distinguent par leur taille (la production de 2020 a dépassé les 2 000 exaoctets), leur hétérogénéité (nombreux supports et méthodes d’acquisition), leurs connaissances (rapports de diagnostic) et leur valeur commerciale. La nature supervisée des modèles d’apprentissage profond nécessite de grandes quantités de données labellisées et annotées, ce qui empêche les modèles d’extraire des connaissances et de la valeur. Le projet EXA MODE, financé par l’UE, entend permettre la découverte simple et rapide, faiblement encadrée, de données hétérogènes exaflopiques, en limitant les interactions humaines. Les objectifs du projet comprennent le développement et la publication de nouvelles méthodes et de nouveaux outils d’analyse à l’échelle extrême pour des prévisions précises, soutenant le processus décisionnel par l’industrie et les hôpitaux. L’intergiciel sémantique multimodal offrira une gestion et une analyse plus faciles et plus rapides des données hétérogènes, en améliorant les architectures des systèmes distribués complexes et en augmentant la rapidité du débit et de l’accès aux données.
Objectif
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.
Champ scientifique
Mots‑clés
Programme(s)
Régime de financement
RIA - Research and Innovation actionCoordinateur
2800 Delemont
Suisse