Autor Goebel, Randy
|
|
Documentos disponibles escritos por este autor (2)
Hacer una sugerencia Refinar búsquedaArtificial Intelligence and Machine Learning for Digital Pathology / Holzinger, Andreas ; Goebel, Randy ; Mengel, Michael ; Müller, Heimo
Título : Artificial Intelligence and Machine Learning for Digital Pathology : State-of-the-Art and Future Challenges Tipo de documento: documento electrónico Autores: Holzinger, Andreas, ; Goebel, Randy, ; Mengel, Michael, ; Müller, Heimo, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XII, 341 p. 95 ilustraciones, 84 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-50402-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Ordenadores Gestión de base de datos Ciencias sociales Protección de datos Visión por computador Entornos informáticos Aplicación informática en ciencias sociales y del comportamiento Seguridad de datos e información Índice Dewey: 006.3 Inteligencia artificial Resumen: La inteligencia artificial (IA) y el aprendizaje automático (ML) impulsados por datos en patología digital, radiología y dermatología son muy prometedores. En casos concretos, por ejemplo, el Deep Learning (DL), superando incluso el desempeño humano. Sin embargo, en el contexto de la medicina es importante que un experto humano verifique el resultado. En consecuencia, existe la necesidad de transparencia y trazabilidad de las soluciones de última generación para que sean utilizables para respaldar decisiones médicas éticas y responsables. Además, para la formación se necesitan macrodatos que abarquen un amplio espectro de diversas enfermedades humanas en diferentes sistemas de órganos. Estos conjuntos de datos deben cumplir con criterios regulatorios y de alta calidad y deben estar bien anotados para ML a nivel de paciente, muestra e imagen. Aquí los biobancos desempeñan un papel central y futuro al proporcionar grandes colecciones de muestras y datos de alta calidad y bien anotados. Los principales desafíos son encontrar biobancos que contengan muestras "adecuadas para su propósito", proporcionar metadatos relacionados con la calidad, obtener acceso a anotaciones y datos médicos estandarizados y escaneo masivo de diapositivas completas, incluidas soluciones eficientes de gestión de datos. Nota de contenido: Expectations of Artificial Intelligence for Pathology -- Interpretable Deep Neural Network to Predict Estrogen Receptor Status from Haematoxylin-Eosin Images -- Supporting the Donation of Health Records to Biobanks for Medical Research -- Survey of XAI in Digital Pathology -- Sample Quality as Basic Prerequisite for Data Quality: A Quality Management System for Biobanks -- Black Box Nature of Deep Learning for Digital Pathology: Beyond Quantitative to Qualitative Algorithmic Performances -- Towards a Better Understanding of the Workflows: Modeling Pathology Processes in View of Future AI Integration -- OBDEX – Open Block Data Exchange System -- Image Processing and Machine Learning Techniques for Diabetic Retinopathy Detection: A Review -- Higher Education Teaching Material on Machine Learning in the Domain of Digital Pathology -- Classification vs Deep Learning in Cancer Degree on Limited Histopathology Datasets -- Biobanks and Biobank-Based Artificial Intelligence (AI) Implementation Throughan International Lens -- HistoMapr: An Explainable AI (xAI) Platform for Computational Pathology Solutions -- Extension of the Identity Management System Mainzelliste to Reduce Runtimes for Patient Registration in Large Datasets -- Digital Image Analysis in Pathology Using DNA Stain: Contributions in Cancer Diagnostics and Development of Prognostic and Theranostic Biomarkers -- Assessment and Comparison of Colour Fidelity of Whole slide imaging scanners -- Deep Learning Methods for Mitosis Detection in Breast Cancer Histopathological Images: a Comprehensive Review -- Developments in AI and Machine Learning for Neuroimaging. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Artificial Intelligence and Machine Learning for Digital Pathology : State-of-the-Art and Future Challenges [documento electrónico] / Holzinger, Andreas, ; Goebel, Randy, ; Mengel, Michael, ; Müller, Heimo, . - 1 ed. . - [s.l.] : Springer, 2020 . - XII, 341 p. 95 ilustraciones, 84 ilustraciones en color.
ISBN : 978-3-030-50402-1
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Ordenadores Gestión de base de datos Ciencias sociales Protección de datos Visión por computador Entornos informáticos Aplicación informática en ciencias sociales y del comportamiento Seguridad de datos e información Índice Dewey: 006.3 Inteligencia artificial Resumen: La inteligencia artificial (IA) y el aprendizaje automático (ML) impulsados por datos en patología digital, radiología y dermatología son muy prometedores. En casos concretos, por ejemplo, el Deep Learning (DL), superando incluso el desempeño humano. Sin embargo, en el contexto de la medicina es importante que un experto humano verifique el resultado. En consecuencia, existe la necesidad de transparencia y trazabilidad de las soluciones de última generación para que sean utilizables para respaldar decisiones médicas éticas y responsables. Además, para la formación se necesitan macrodatos que abarquen un amplio espectro de diversas enfermedades humanas en diferentes sistemas de órganos. Estos conjuntos de datos deben cumplir con criterios regulatorios y de alta calidad y deben estar bien anotados para ML a nivel de paciente, muestra e imagen. Aquí los biobancos desempeñan un papel central y futuro al proporcionar grandes colecciones de muestras y datos de alta calidad y bien anotados. Los principales desafíos son encontrar biobancos que contengan muestras "adecuadas para su propósito", proporcionar metadatos relacionados con la calidad, obtener acceso a anotaciones y datos médicos estandarizados y escaneo masivo de diapositivas completas, incluidas soluciones eficientes de gestión de datos. Nota de contenido: Expectations of Artificial Intelligence for Pathology -- Interpretable Deep Neural Network to Predict Estrogen Receptor Status from Haematoxylin-Eosin Images -- Supporting the Donation of Health Records to Biobanks for Medical Research -- Survey of XAI in Digital Pathology -- Sample Quality as Basic Prerequisite for Data Quality: A Quality Management System for Biobanks -- Black Box Nature of Deep Learning for Digital Pathology: Beyond Quantitative to Qualitative Algorithmic Performances -- Towards a Better Understanding of the Workflows: Modeling Pathology Processes in View of Future AI Integration -- OBDEX – Open Block Data Exchange System -- Image Processing and Machine Learning Techniques for Diabetic Retinopathy Detection: A Review -- Higher Education Teaching Material on Machine Learning in the Domain of Digital Pathology -- Classification vs Deep Learning in Cancer Degree on Limited Histopathology Datasets -- Biobanks and Biobank-Based Artificial Intelligence (AI) Implementation Throughan International Lens -- HistoMapr: An Explainable AI (xAI) Platform for Computational Pathology Solutions -- Extension of the Identity Management System Mainzelliste to Reduce Runtimes for Patient Registration in Large Datasets -- Digital Image Analysis in Pathology Using DNA Stain: Contributions in Cancer Diagnostics and Development of Prognostic and Theranostic Biomarkers -- Assessment and Comparison of Colour Fidelity of Whole slide imaging scanners -- Deep Learning Methods for Mitosis Detection in Breast Cancer Histopathological Images: a Comprehensive Review -- Developments in AI and Machine Learning for Neuroimaging. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Towards Integrative Machine Learning and Knowledge Extraction : BIRS Workshop, Banff, AB, Canada, July 24-26, 2015, Revised Selected Papers Tipo de documento: documento electrónico Autores: Holzinger, Andreas, ; Goebel, Randy, ; Ferri, Massimo, ; Palade, Vasile, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XVI, 207 p. 57 ilustraciones ISBN/ISSN/DL: 978-3-319-69775-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Red de computadoras Informática Estadistica matematica Ingeniería de software Ingeniería Informática Redes de comunicación informática Probabilidad y Estadística en Informática Ingeniería Informática y Redes Índice Dewey: 006.3 Inteligencia artificial Resumen: El taller BIRS "Avances en el descubrimiento interactivo de conocimientos y la minería de datos en conjuntos de datos complejos y grandes" (15w2181), celebrado en julio de 2015 en Banff, Canadá, se dedicó a estimular un enfoque integrador de aprendizaje automático entre dominios y la evaluación de "calientes temas" para abordar el gran desafío de alcanzar un nivel de inteligencia computacional útil y utilizable con un enfoque en problemas del mundo real, como en el ámbito de la salud. Esto abarca aprender de datos previos, extraer y descubrir conocimientos, generalizar los resultados, luchar contra la maldición de la dimensionalidad y, en última instancia, desenredar los factores explicativos subyacentes en datos complejos, es decir, dar sentido a los datos dentro del contexto del dominio de aplicación. El taller tenía como objetivo contribuir con avances en áreas novedosas y prometedoras, como la intersección del aprendizaje automático y el análisis de datos topológicos. La historia ha demostrado que, en la mayoría de los casos, las áreas superpuestas en las intersecciones de campos aparentemente dispares son clave para estimular nuevos conocimientos y mayores avances. Esto es particularmente cierto en el campo extremadamente amplio del aprendizaje automático. Nota de contenido: Towards integrative Machine Learning & Knowledge Extraction -- Machine Learning and Knowledge Extraction in Digital Pathology needs an integrative approach -- Comparison of Public-Domain Software and Services for Probabilistic Record Linkage and Address Standardization -- Better Interpretable Models for Proteomics Data Analysis Using rule-based Mining -- Probabilistic Logic Programming in Action -- Persistent topology for natural data analysis — A survey -- Predictive Models for Differentiation between Normal and Abnormal EEG through Cross-Correlation and Machine Learning Techniques -- A Brief Philosophical Note on Information -- Beyond Volume: The Impact of Complex Healthcare Data on the Machine Learning Pipeline -- A Fast Semi-Automatic Segmentation Tool for Processing Brain Tumor Images -- Topological characteristics of oil and gas reservoirs and their applications -- Convolutional and Recurrent Neural Networks for Activity Recognition in Smart Environment. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Towards Integrative Machine Learning and Knowledge Extraction : BIRS Workshop, Banff, AB, Canada, July 24-26, 2015, Revised Selected Papers [documento electrónico] / Holzinger, Andreas, ; Goebel, Randy, ; Ferri, Massimo, ; Palade, Vasile, . - 1 ed. . - [s.l.] : Springer, 2017 . - XVI, 207 p. 57 ilustraciones.
ISBN : 978-3-319-69775-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Red de computadoras Informática Estadistica matematica Ingeniería de software Ingeniería Informática Redes de comunicación informática Probabilidad y Estadística en Informática Ingeniería Informática y Redes Índice Dewey: 006.3 Inteligencia artificial Resumen: El taller BIRS "Avances en el descubrimiento interactivo de conocimientos y la minería de datos en conjuntos de datos complejos y grandes" (15w2181), celebrado en julio de 2015 en Banff, Canadá, se dedicó a estimular un enfoque integrador de aprendizaje automático entre dominios y la evaluación de "calientes temas" para abordar el gran desafío de alcanzar un nivel de inteligencia computacional útil y utilizable con un enfoque en problemas del mundo real, como en el ámbito de la salud. Esto abarca aprender de datos previos, extraer y descubrir conocimientos, generalizar los resultados, luchar contra la maldición de la dimensionalidad y, en última instancia, desenredar los factores explicativos subyacentes en datos complejos, es decir, dar sentido a los datos dentro del contexto del dominio de aplicación. El taller tenía como objetivo contribuir con avances en áreas novedosas y prometedoras, como la intersección del aprendizaje automático y el análisis de datos topológicos. La historia ha demostrado que, en la mayoría de los casos, las áreas superpuestas en las intersecciones de campos aparentemente dispares son clave para estimular nuevos conocimientos y mayores avances. Esto es particularmente cierto en el campo extremadamente amplio del aprendizaje automático. Nota de contenido: Towards integrative Machine Learning & Knowledge Extraction -- Machine Learning and Knowledge Extraction in Digital Pathology needs an integrative approach -- Comparison of Public-Domain Software and Services for Probabilistic Record Linkage and Address Standardization -- Better Interpretable Models for Proteomics Data Analysis Using rule-based Mining -- Probabilistic Logic Programming in Action -- Persistent topology for natural data analysis — A survey -- Predictive Models for Differentiation between Normal and Abnormal EEG through Cross-Correlation and Machine Learning Techniques -- A Brief Philosophical Note on Information -- Beyond Volume: The Impact of Complex Healthcare Data on the Machine Learning Pipeline -- A Fast Semi-Automatic Segmentation Tool for Processing Brain Tumor Images -- Topological characteristics of oil and gas reservoirs and their applications -- Convolutional and Recurrent Neural Networks for Activity Recognition in Smart Environment. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
