Login
- Originaltitel:
- Multimodal Deep Learning for Holistic Clinical Decision and Reasoning Support
- Übersetzter Titel:
- Multimodales Deep Learning für ganzheitliche klinische Entscheidungs- und Begründungsunterstützung
- Autor:
- Keicher, Matthias Fabian
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Institution:
- Informatik 31 - Lehrstuhl für Artificial Intelligence in Healthcare and Medicine (Prof. Rückert)
- Betreuer:
- Navab, Nassir (Prof. Dr.)
- Gutachter:
- Navab, Nassir (Prof. Dr.); Maier, Andreas (Prof. Dr.); Rajpurka, Pranav (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik; MED Medizin
- Stichworte:
- deep learning; multimodal data; clinical decision support systems; clinical reasoning; interpretability
- Übersetzte Stichworte:
- Deep Learning; Multimodal Daten; Klinische Entscheidungsunterstützungssysteme; Klinische Entscheidungsfindung; Interpretierbarkeit
- TU-Systematik:
- DAT 700; MED 370; MED 230
- Kurzfassung:
- In clinical decision-making, medical doctors rely not only on a multitude of information about a patient, including lab results and imaging data, but also on their extensive knowledge gained through formal education and experience with previously treated patients. This thesis explores clinical decision support systems based on deep learning that integrate multimodal knowledge about a patient with formal and exemplar clinical knowledge while providing insight into their reasoning.
- Übersetzte Kurzfassung:
- Bei der klinischen Entscheidungsfindung stützen sich Ärzte nicht nur auf eine Vielzahl von Informationen, wie Laborwerte und Bildgebung, sondern auch auf ihr Wissen, das sie durch Ausbildung und Erfahrung mit zuvor behandelten Patienten erworben haben. In dieser Arbeit werden Entscheidungsunterstützungssysteme auf der Grundlage von Deep Learning erforscht, die multimodale Patientendaten mit formalem und exemplarischem Wissen integrieren und einen Einblick in ihre Entscheidungsfindung geben.
- WWW:
- https://mediatum.ub.tum.de/?id=1740108
- Eingereicht am:
- 17.04.2024
- Mündliche Prüfung:
- 16.12.2024
- Dateigröße:
- 3701249 bytes
- Seiten:
- 179
- Urn (Zitierfähige URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20241216-1740108-0-4
- Letzte Änderung:
- 10.04.2025
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Science
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology