Opis projektu
Zastosowanie ekstremalnych metod analitycznych w ochronie zdrowia
Eksaskalowe wolumeny różnorodnych danych dotyczących opieki zdrowotnej wyróżniają się pod względem ich ilości (w 2020 roku ilość wyprodukowanych danych przekroczyła 2 000 eksabajtów), niejednorodności (liczne nośniki i metody pozyskiwania), wiedzy (raporty diagnostyczne) i wartości handlowej. Ze względu na potrzebę nadzorowania modele głębokiego uczenia wymagają dużych ilości opatrzonych etykietami i adnotacjami danych, co uniemożliwia im wydobywanie z danych wiedzy i wartości. Celem finansowanego ze środków UE projektu EXA MODE jest umożliwienie łatwego i szybkiego pozyskiwania wiedzy z niejednorodnych eksaskalowych danych bez ścisłego nadzoru, ograniczając potrzebę interakcji ze strony człowieka. Cele projektu obejmują opracowanie i udostępnienie nowych metod i narzędzi do analizy danych w ekstremalnej skali w celu uzyskania precyzyjnych prognoz wspierających podejmowanie decyzji w środowisku przemysłowym i szpitalnym. Multimodalne, semantyczne oprogramowanie pośredniczące pozwoli na łatwiejsze i szybsze zarządzanie niejednorodnymi danymi oraz ich analizę, ulepszając architektury złożonych systemów rozproszonych oraz zwiększając szybkość przepływu i dostępu do danych.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-ICT-2018-2
System finansowania
RIA - Research and Innovation actionKoordynator
2800 Delemont
Szwajcaria