2010 Volvo C30 color brochure provided by McKevitt Volvo located near San Francisco, CA. Find the 2010 Volvo C30 for sale in California; call about our current sales and incentives at (888)771-0363.
Memorias 2013 - 5a Conferencia Científica Anual sobre Síndrome Metabólico - Presentación Tabajos Libres Orales -
MÓDULO: RESISTENCIA A LA INSULINA Y SÍNDROME METABÓLICO - Comparación de los puntos de corte propuestos para insulinorresistencia a partir de los valores de HOMA1-IR y HOMA2-IR pre-post carga
*Manuel de J. Castillejos L., María E. Jaime C., J. Eduardo Figueroa A., René Guevara G., Luz M. Torres E., Guadalupe F. San Miguel, Paulina Granados U., Marisol Olarra M., Martha L. Tena S., José F. Alonso R., Andrés Hernández
(Instituto Nacional de Enfermedades Respiratorias, Instituto Nacional de Pediatría, Instituto Nacional de Neurología)
The All New Redesigned 2014 Cadillac CTS is now available at Gary Lang Cadillac in McHenry, IL. Check out this digital copy of the brochure for more information. If you do have questions, please feel free to contact one of our Cadillac Sales Specialist.
2010 Volvo C30 color brochure provided by McKevitt Volvo located near San Francisco, CA. Find the 2010 Volvo C30 for sale in California; call about our current sales and incentives at (888)771-0363.
Memorias 2013 - 5a Conferencia Científica Anual sobre Síndrome Metabólico - Presentación Tabajos Libres Orales -
MÓDULO: RESISTENCIA A LA INSULINA Y SÍNDROME METABÓLICO - Comparación de los puntos de corte propuestos para insulinorresistencia a partir de los valores de HOMA1-IR y HOMA2-IR pre-post carga
*Manuel de J. Castillejos L., María E. Jaime C., J. Eduardo Figueroa A., René Guevara G., Luz M. Torres E., Guadalupe F. San Miguel, Paulina Granados U., Marisol Olarra M., Martha L. Tena S., José F. Alonso R., Andrés Hernández
(Instituto Nacional de Enfermedades Respiratorias, Instituto Nacional de Pediatría, Instituto Nacional de Neurología)
The All New Redesigned 2014 Cadillac CTS is now available at Gary Lang Cadillac in McHenry, IL. Check out this digital copy of the brochure for more information. If you do have questions, please feel free to contact one of our Cadillac Sales Specialist.
CRISPR as a potential tool for malaria eradicationMatthias Samwald
Why avoiding delays to gene-drive based mosquito eradication should be the most important goal of the global community right now, and why it is not.
Presentation at the Vienna Rationality Meetup 14.05.2016
Opportunities for reconciling the 5 worlds community with mainstream academia
To be presented at the 5 Worlds Collide (un)conference in Vienna, Dec 2015.
http://www.eventbrite.de/e/five-worlds-collide-tickets-18785324411
2. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Motivation
• Als biomedizinische InformatikerInnen müssen
wir mit Ärzten, Genetikern, Biologen, etc.
zusammenarbeiten. Dabei sind Grundkenntnisse
der medizinischen Fachsprache unverzichtbar.
• Wissensverarbeitung gewinnt im medizinischen
Bereich zunehmend an Bedeutung. Wesentliche
Aspekte sind:
• Definition und Standardisierung
• Darstellung
• Verwaltung und Zugriff (Reasoning)
• Kenntnis der wichtigsten Klassifikationssysteme
und Nomenklaturen ist für die Entwicklung vieler
Applikationen eine wesentliche Voraussetzung.
3. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Lehrziel
• Vertraut machen mit grundlegenden Problemen
von Terminologie/Taxonomie und Ontologie.
• Kennenlernen grundlegender Methoden der
Darstellung von Wissen am Computer.
• Einführung in das „Ontology Engineering“
• Kennenlernen der medizinischen Terminologie.
• Kennenlernen der wichtigsten Klassifikations-
systeme und Nomenklaturen im medizinischen
Bereich.
4. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Beurteilung
• Vorlesung
• Keine Anwesenheitspflicht
• Schriftliche Prüfung ohne Unterlagen
• Lösung von kleinen Beispielen und Beantwortung von
offenen Fragen
• Übung
• Bearbeitung von Aufgaben in Hausaufgaben, Abgabe
in Moodle
• Keine Anwesenheitspflicht; Besprechung der
Übungsaufgaben und Resultate immer zu Ende der
Vorlesung (zeitlich variabel)
5. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Inhalt der Vorlesung
• Grundlagen
• Wörter, Begriffe, etc.
• Taxonomie/Klassifikation
• Ontologie
• Ontology Engineering
• Description Logics
• OWL und Protege
• Medizinische Nomenklatur und Terminologie
• Medizinische Klassifikationssysteme
• ICD, TNM, ICPM, IKPM
• Medizinische Nomenklaturen
• SNOMED, MeSH, LOINC
• UMLS (Unified Medical Language System)
6. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Begriffe, Wörter und Wirklichkeit
• Wörter der Sprache dienen dazu, Dinge, Ereignisse,
Handlungen, Ideen, etc. zu bezeichnen und darüber
kommunizieren zu können.
• Dabei besteht eine Beziehung zwischen dem Wort und
einer begrifflichen Vorstellung, die die Sprecher einer
Sprache mit diesem Wort verbinden.
• Andererseits besteht für die Sprecher eine Beziehung
zwischen dieser begrifflichen Vorstellung und einer durch
das Wort bezeichneten außersprachlichen Einheit (Ding,
Ereignis, Handlung, Idee, etc.).
• Diese Zusammenhänge werden im sogenannten
Semiotischen Dreieck dargestellt.
9. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Begriffe und Wörter
• Das semiotische Dreieck verdeutlicht die Beziehung
zwischen dem Wort und einer begrifflichen Vorstellung,
die der Sprecher mit diesem Wort verbinden.
• Diese begriffliche Vorstellung bezeichnet man als Begriff,
Konzept, Bedeutung, etc.
• Die Beziehung zwischen Wort und Realität ist also nur
indirekt; vermittelt über die begriffliche Vorstellung.
• Daraus ergeben sich u.a. zwei interessante Fragen:
• Wie entstehen aus der unendlichen Vielfalt an Erfahrungen
Begriffe, bzw. was konstituiert einen Begriff?
• Wie definiert sich die Zuordnung zwischen Wörtern und
Begriffen
11. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Begriffe
• Wir postulieren, dass unser Denken auf begrifflichen
Vorstellungen (= Begriffen) aufbaut.
• Diese Begriffe werden durch Interaktion mit der Umwelt
erworben.
• Begriffe sind nicht durch die Umwelt vorgegeben, sondern
durch unsere Art, die Umwelt zu erfahren
• Jeder Kulturkreis, aber auch jeder Mensch entwickelt eigene
Begriffe.
• Allerdings sind die Unterschiede unserer Begriffssysteme im
Allgemeinen nur relativ klein, ansonsten wäre
Kommunikation unmöglich.
• Begriffliche Vorstellungen sind nicht direkt
kommunizierbar, sondern nur über den Umweg der
Wörter!
12. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Wörter und Begriffe
• Den Begriffen werden also Wörter zugeordnet.
• Das Wort, das einem Begriff zugeordnet wird, hat
dann als seine Bedeutung (Denotation) diesen
Begriff.
• Kompliziert wird diese Zuordnung Wort ↔ Begriff
dadurch, dass sie nicht eineindeutig ist.
• Derselbe Begriff kann häufig durch verschiedene
Wörter ausgedrückt werden
• n Wörter → 1 Begriff
• Dasselbe Wort kann häufig unterschiedliche
Bedeutungen haben.
• 1 Wort → m Begriffe
13. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Problem Mehrdeutigkeit
• In der Alltagssprache ist der Zusammenhang
zwischen Wort und Begriff (Konzept)
typischerweise nicht eindeutig.
• dasselbe Wort steht – abhängig vom Kontext –
für unterschiedliche Begriffe
• Homonymie
• Polysemie
• Ein Begriff kann durch unterschiedliche Wörter
bezeichnet werden
• Synonymie
• Sonderfall: ein Begriff wird durch genau ein
Wort bezeichnet
• Monosemie
15. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Homonymie/Polysemie
• Das gleiche Wort steht für zwei
oder mehr gänzlich
unterschiedliche Begriffe
• Bank
1. lange und schmale
Sitzgelegenheit, meist aus
Holz, für mehrere Personen
2. Unternehmen, das mit Geld
handelt, Geld verleiht.
• Hahn
1. männliches Tier mancher
Arten von Vögeln
2. Vorrichtung zum Absperren
von Rohrleitungen
• Schloss
1. Vorrichtung zum Verschließen
von Türen o.ä.
2. fürstliches Gebäude zum
Wohnen
• Ein Wort steht für ein
Begriffsfeld, das mehrere
miteinander verwandte Begriffe
abdeckt. Die einzelnen
Bedeutungen gehen ineinander
über:
• z.B. „verstehen“
1. deutlich hören
Ich kann ihn am Telefon nicht
verstehen.
1. begreifen
Ich verstehe jetzt, wie diese
Maschine funktioniert.
1. den Grund einsehen
Ich verstehe, warum er das
tut.
1. gut können
Er versteht seine Zuhörer zu
begeistern.
1. gleicher Meinung sein
Ich verstehe mich mit ihm
gut.
Alle Beispiele nach DUDEN – Das Bedeutungswörterbuch
16. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Metonymie und Metapher
• Woher kommt es, dass Wörter unterschiedliche
Bedeutungen haben?
• Um neue Domänen sprachlich beschreiben zu können,
benötigen wir Wörter für die Begriffe dieser Domänen –
entweder wirklich neue Wörter oder – was viel häufiger
passiert - wir geben vorhandenen Wörtern neue
Bedeutungen .
• Metonymie und Metapher bezeichnen zwei Prozesse des
Entstehens einer von der Grundbedeutung abgeleiteten
zusätzlichen Bedeutung eines Wortes.
• Bei der Metonymie nimmt das Wort aufgrund eines faktischen
Zusammenhangs eine zusätzliche Bedeutung an.
z.B. In diesem Saal hängen mehrere Picassos.
Bei der Metapher nimmt das Wort aufgrund einer Ähnlichkeit
eine zusätzliche Bedeutung an.
z.B. Tischbein, Hauptstadt, Binärbaum, bittere Wahrheit.
• Diese Prozesse sind äußerst produktiv.
17. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Synonymie
• Mehrere Wörter bezeichnen denselben Begriff:
• Bank – Geldinstitut
• Telefon – Fernsprecher
• Kartoffel – Erdapfel
• Pferd – Ross
• Allerdings teilen Synonyme typischerweise nur
die Denotation.
• Die Konnotationen sind meist unterschiedlich
(altertümlich, dialektal/regional, poetisch,
abwertend, etc.)
18. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Partielle Synonymie
• typischerweise sind zwei Wörter nur in einer
bestimmten Bedeutung synonym:
• Beispiel 1: Bild
• Bild(1) = Foto
• Bild(2) = Gemälde
• Bild(3) = Vorstellung
• Bild(4) = Anblick
• Aber: Foto ≠ Gemälde ≠ Vorstellung ≠ Anblick
• Beispiel 2: Vorstellung
• Vorstellung (1) = Bild
• Vorstellung (2) = Ansicht = Meinung,
• Vorstellung (3) = Aufführung = Darstellung,
• Vorstellung (4) = Präsentation
19. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Partielle Synonymie (2)
• im allgemeinen erlaubt es der Äußerungskontext, die
richtige Bedeutung auszuwählen:
• Er hat eine ganz bestimmte Vorstellung von seinem
Traumhaus.
⇒ Vorstellung - Bild
• Seine Vorstellungen unterschieden sich deutlich von denen
seines Vorgesetzten.
• ⇒ Vorstellung - Ansicht
• Heute war die letzte Vorstellung der Saison im Stadttheater.
• ⇒ Vorstellung - Aufführung
• Er kam nicht zur Vorstellung der neuen Mitarbeiter.
• ⇒ Vorstellung - Einführung
• aber:
• Es war eine grandiose Vorstellung (Aufführung? Ansicht?).
20. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Wörter und Übersetzung
• die verschiedenen Bedeutungen eines Wortes
in der Quellsprache entsprechen oft jeweils
unterschiedlichen Wörtern in der Zielsprache.
• warten (dt.)
• Er wartet auf sie. He waits for her.
• Er wartet die Maschine. He maintains the engine.
• maintain (eng.)
• He maintains the engine. Er wartet die Maschine.
• He maintains his position. Er behält seine Position.
23. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Begriffe = Synsets
• Wie wir gesehen haben, kann ein Begriff
typischerweise durch mehrere (partiell)
synonyme Wörter bezeichnet werden.
• Man kann also umgekehrt einen Begriff durch
die Menge der Wörter, die ihn (zumindest in
einer ihrer Bedeutungen) bezeichnen,
darstellen.
• Solcherart gebildete Mengen von Wörtern nennt
man Synsets (= synonym sets).
25. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Fachsprachen
• Die Mehrdeutigkeit von Wörtern der
Alltagssprache ermöglicht die Vielfalt
zwischenmenschlicher Kommunikation.
• Im technisch/wissenschaftlichen Kontext ist
Mehrdeutigkeit aber störend und daher
unerwünscht.
• Fachsprachen stellen den Versuch dar,
innerhalb eines Fachgebiets ein Vokabular zur
Verfügung zu stellen, das präzise und
eindeutige Formulierungen unterstützt.
• Es wird eine 1-1-deutige Zuordnung zwischen
Wort und Begriff angestrebt (= Monosemie).
26. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Fachsprachen (2)
• Basis einer Fachsprache ist die Menge der
verwendeten (grundlegenden) Begriffe und ihre
Beziehungen untereinander ⇒ Ontologie
• insbesondere sind die Begriffe in einer
Hierarchie vom allgemeinen zum speziellen
geordnet ⇒ Taxonomie, Klassifikation
• jedem Begriff ist genau ein fachspezifisches
Wort zugeordnet ⇒Terminologie
• diese Wörter werden nach definierten Regeln
gebildet ⇒ Nomenklatur
27. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Taxonomie
• taxis (gr.) = Ordnung, -nomia (gr.) = Verwaltung
• Taxonomie ist die Klassifizierung aller
Gegenstände (Entitäten) und Ereignisse in
begriffliche Gruppen bzw. in Kategorien.
• Taxonomien sind in örtliche kulturelle und
soziale Systeme eingebettet und dienen
verschiedenen sozialen Zwecken.
• Naturwissenschaftliche Disziplinen verwenden
den Begriff der Taxonomie für eine in der Regel
hierarchische (Klassen, Unterklassen usw.)
Klassifikation.
29. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Beispiel: Biologische Taxonomie
Deutsch lat. bzw.
griech.
Beispiel
Reich Regnum Tiere
Unterreich Subregnum Vielzeller
Abteilung /
Stamm
Divisio /
Phylum
Chordatiere
Unterstamm Subphylum Wirbeltiere
Klasse Classis Säugetiere
Ordnung Ordo Raubtiere
Unterordnung Subordo Landraubtiere
Familie Familia Hunde
Unterfamilie Subfamilia Echte Hunde
Gattung Genus Echte Füchse
Art Species Rotfuchs
30. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Taxonomie/Klassifikation
• Ordnungssystem
• Prinzip der Klassenbildung
• Zusammenfassung von Objekten (die in mindestens
einem Klassen bildenden Merkmal übereinstimmen)
zu Klassen
• Klassen müssen die zu dokumentierende Domäne
vollständig abdecken
• Keine Überschneidung von Inhalten erlaubt
• Hierarchiebildung
• Klassen (die in mindestens einem Merkmal
übereinstimmen) können zu übergeordneten Klassen
zusammengefasst werden.
• Notation (Schlüssel) für jede Klasse – Ausdruck für
hierarchische Systematik
32. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Vererbung von Merkmalen
• Wesentliches Element von Taxonomie/Klassifi-
kation ist, dass Unterklassen Merkmale der
übergeordneten Klasse erben.
• es gibt unterschiedliche Formen der Vererbung:
• strikte Vererbung:
• Alle Eigenschaften werden vererbt
• Es besteht eine Teilmengenbeziehung zwischen
übergeordneter und untergeordneter Klasse
• Default-Vererbung
• Merkmale werden nur typischerweise vererbt
• Ausnahmen sind möglich
33. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Strikte Vererbung
• Die Beziehung zwischen Klasse und
Unterklasse wird mengentheoretisch aufgefasst:
• Die Mitglieder einer Klasse sind per definitionem
gleichzeitig Mitglieder der Überklasse (und damit aller
übergeordneten Klassen)
• Eine Klasse erbt damit alle Merkmale aller ihr
übergeordneten Klassen.
• z.B.:
• „Vögel haben Federn.“
• Tauben sind Vögel, daher haben Tauben Federn.
• Papageien sind Vögel, daher haben Papageien
Federn.
• Pinguine sind Vögel, daher haben Pinguine Federn.
34. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Default-Vererbung
• Eine andere Interpretation von Vererbung
besteht darin, dass Merkmale nur
typischerweise (als Default) vererbt werden.
• eine Unterklasse kann aber durchaus in
bestimmten Merkmalen den Default nicht
übernehmen.
• z.B.:
• „Vögel können fliegen.“
• „Pinguine können nicht fliegen.“
• Tauben sind Vögel, daher können Tauben fliegen.
• Papageien sind Vögel, daher können Papageien
fliegen.
• Pinguine können nicht fliegen.
35. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Typen von Klassifikationen
• Klassifikationshierarchie
• als einfache Hierarchie
• als multiple Hierarchie - Heterarchie
• Dimensionen
• eindimensionale Klassifikation
• mehrachsige (mehrdimensionale)
Klassifikation
• Taxonomien sind typischerweise
hierarchisch und eindimensional
37. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Multiple Vererbung
• eine strikt hierarchische Organisation ist oft
nicht ausreichend, um verschiedene Aspekte
eines Individuums zu beschreiben.
• Hunde haben zum Beispiel eine Menge an
Eigenschaften als Tier (im biologischen Sinn)
• Hunde sind aber auch typische Haustiere und haben
als solche Eigenschaften
• Eine Lösungsmöglichkeit besteht darin, anstelle
der Hierarchie eine Heterarchie zu setzen, d.h.
eine Klasse kann mehrere Überklassen haben.
• Damit handelt es sich allerdings nicht mehr um
eine Taxonomie im engeren Sinn!
39. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Probleme multipler Vererbung
• Ein Konzept kann eine bestimmte Eigenschaft von 2
(oder mehr) Konzepten ererben.
• Folgende Probleme können auftreten:
• Es kommt zu widersprüchlicher Information
• Es wird nicht erkannt, dass es sich um die gleiche
Eigenschaft handelt
• Es ist unklar, von welchem Konzept Eigenschaft vererbt wird
40. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Beispiel – Hierarchie
mehrdimensional
Tier Tier
Vogel Säugetier Fisch Nutztier Haustier Wildtier
Sittich Spatz Huhn
Huhn Karpfen Schaf
Schaf Katze Reh
Katze Sittich GoldfischKarpfen Goldfisch Hai
Reh Spatz Hai
42. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Präkoordination - Postkoordination
• Im Falle multipler Hierarchien gibt es zwei
grundsätzlich unterschiedliche
Herangehensweisen:
• Präkoordination:
• Alle Begriffe, die durch Kombination bestehender
Konzepte entstehen können, werden explizit in der
Hierarchie angelegt.
• Die Zuordnung einer Situation besteht in der Auswahl
des korrekten Begriffs aus der Hierarchie
• Postkoordination:
• Es werden nur grundlegende Begriffe in der
Hierarchie explizit angelegt.
• Um eine Situation zuordnen zu können, müssen alle
beteiligten Begriffe miteinander kombiniert werden.
43. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Ontologie
• on (gr.) – das Seiende, logos (gr.) = Wort, Lehre
• In der Philosophie der Teil der Metaphysik, der
sich mit der Natur des Seienden - der Existenz -
beschäftigt. Entwirft und beschreibt die
grundlegenden Begriffe und ihre Beziehungen
zueinander.
• Während der Begriff aus dem 19.Jhd. stammt,
ist die dahinter liegende Idee weit älter.
• Die erste bekannte Ontologie sind die zehn
Aristotelischen „Kategorien“.
47. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Eine „Ontologie“ der Tiere?
• „Bekanntlich existiert keine Klassifikation des Universums, die
nicht willkürlich und mutmaßlich wäre. Aus einem sehr einfachen
Grund: Wir wissen nicht, was das Universum ist.“
Jorge Louis Borges: Die analytische Sprache von John Wilkins
• Die Tiere gruppieren sich folgendermaßen:
a) Tiere, die dem Kaiser gehören
b) einbalsamierte Tiere
c) gezähmte
d) Milchschweine
e) Sirenen
f) Fabeltiere
g) herrenlose Hunde
h) in diese Gruppierung gehörige
i) die sich wie tolle gebärden
j) die mit einem ganz feinen Pinsel aus Kamelhaar gezeichnet sind
k) und so weiter
l) die den Wasserkrug zerbrochen haben
m) die von weitem wie Fliegen aussehen
48. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Ontologie in der Informatik
• Eine Beschreibung der in einer Domäne
verwendeten wesentlichen Begriffe (Konzepte)
und ihrer Beziehungen untereinander.
• Dient dazu, unterschiedliche Repräsentationen
von Aspekten einer Domäne miteinander
kompatibel zu machen und zu verknüpfen.
• Die Übereinkunft über eine standardisierte
Terminologie und Begriffshierarchie innerhalb
einer Domäne ist die Voraussetzung für
Interoperabilität
49. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Formal, explicit specification of a shared conceptualization
maschinlesbar
Konzepte, Attribute,
Funktionen und Axiome
sind explizit definiert
überein-
stimmendes
Wissen
Abstraktes Modell
von Phänomenen
der Welt
Was ist eine Ontologie? (1)
nach: Studer (1998)
51. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Top-Level Ontology /
Foundational Ontology
Mit welchen grundsätzlichen Konzepten kann man “die
Welt” beschreiben?
• In gewisser Weise orientieren sich auch moderne
Ontologien immer noch an Kriterien, die schon Aristoteles
entwickelt hat.
• Eine wesentliche Unterscheidung ist die zwischen Entitäten,
also den Elementen, aus denen die Welt besteht einerseits,
und den Ereignissen, die auf diese Entitäten zu bestimmten
PunktenIntervallen in Raum und Zeit einwirken.
• Moderne Ontologien konzentrieren sich eher auf die
Entitäten und Relationen zwischen ihnen, die “außerhalb”
von Zeit und Raum gelten.
• Komplexe zeitliche und räumliche Zusämmenhänge
können aus verschiedenen Gründen nur bedingt
beschrieben werden.
52. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundsätzliche Klassifikation der
Individuen
• Entitäten
• sind physikalische Objekte, Substanzen, “Rotten”,… also Dinge, die
sind;
• werden in der Sprache üblicherweise durch Nomina ausgedrückt;
• können andere Entitäten als Teile, Material, Inhalt, etc. haben;
• können an Ereignissen teilnehmen
• Sind von ihrer Idee her statisch – “zeitlos”.
Behälter, Barriere, Verbindung, Wasser, Luft, Ort, …
Flugzeug, Mensch, Gesellschaft, Viral Nucleic Acid,…
• Ereignisse
• Aktionen, Prozesse… etwas das geschieht
• Werden in der Sprache üblicherweise durch Verba ausgedrückt.
• Haben Auswirkungen auf Entitäten, ihre Eigenschaften, ihre
Zustände.
• Laufen während einer bestimmten Zeitspanne und an einem
bestimmten Ort ab.
Bewegen, Erzeugen, Anbringen, Kopieren, Zerstören,
Kollidieren, …
Schlafen, Rinnen, Photosynthetisieren, Schreien, …
53. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Entitäten
• Diskrete Objekte
• sind dinghafte Einheiten, die Teile haben können, die
ihrerseits unterschiedliche Objekte sind.
• z.B. Schreibtische, Autos, Personen.
• Substanzen
• sind dinghafte Einheiten, die man portionieren
kann,ohne dass sie ihre Qualität ändern;
• z.B. Wasser, Holz, Gewebe.
• “Rotten” (mobs)
• ähnlich Substanzen, besteht aber aus individuellen
Elementen;
• z.B. Kette von Bergen, Haare eines Tierfells.
54. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Relationen zwischen Entitäten
• Relationen, die häufig zwischen Entitäten
bestehen:
• Objekt has-part Objekt bzw. Objekt is-part-of
Objekt – als Teil haben
• z.B. Auto has-part (Motor, Getriebe, Fahrwerk)
• Objekt content Objekt - beinhaltet
• z.B. Auto content (Person)
• Objekt material Substanz – besteht aus
• z.B. Auto material (Stahl, Kunststoff, Farbe)
• örtliche Relationen
• is-at, is-near, has-region, und andere
55. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Ereignisse (events)
• Aktionen
• ein zeitlicher Ablauf mit interner Struktur
• Aktionen bestehen aus miteinander in
Zusammenhang stehenden Subaktionen.
• Aktionen finden zu einem bestimmten Zeitintervall
statt, gelten aber nicht in jedem Zeitsubintervall.
• z.B. einkaufen (suchen, auswählen, bezahlen)
• Prozesse
• ein uniformer zeitlicher Ablauf,
• Prozesse finden zu einem bestimmten Zeitintervall
statt und damit auch zu jedem beliebigen
Zeitsubintervall davon.
• z.B. rinnen, schlafen
56. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Relationen zwischen Ereignissen und
Entitäten
• Entitäten spielen, wenn sie an Ereignissen teilnehmen,
bestimmte Rollen:
• Wer, wen oder was, womit, woraus, wozu…
• Agens - der Bewirkende einer Aktion
• z.B. Hans fährt.
• Experiencer - der Erleidende eines Prozesses
• z.B. Hans schläft.
• Theme - das Objekt, auf das die Aktion sich auswirkt
• z.B. Hans zerbricht die Scheibe.
• Instrument – vom Agens zur Durchführung der Aktion
verwendet
• z.B. Hans zerbricht die Scheibe mit dem Hammer.
• Spatiale Relationen
• z.B at-location, from-location, to-location
• Temporale Relationen
• z.B. at-time, from-time, to-time
57. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Relationen zwischen zwei
Ereignissen
• Wie ein Ereignis zu einem anderen in
Beziehung steht oder es beeinflusst
• Mögliche Relationen:
• causes, enables, entails
• by-means-of
• inhibits, prevents
• usw.
58. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Ontologie/Taxonomie in der Informatik
– Technische Realisierung
• Eine Menge von durch ihren Namen eindeutig
identifizierten Begriffen/Klassen/Konzepten;
• eine Menge von Relationen, die zwischen den
Konzepten bestehen können; die Relationen
dienen der Beschreibung von Eigenschaften der
Konzepte;
• eine hierarchische oder heterarchische Ordnung
der Konzepte über eine ausgezeichnete Relation
(IS-A, subClassOf, etc.)
• die Vererbung von Eigenschaften über diese
ausgezeichnete Relation;
• die Zuordnung von Individuen zu einem oder
mehreren Konzepten
59. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Wesentliche Fragen im
Zusammenhang mit einer Ontologie
• Konzepte (Begriffe)
• Klassen (Granularität)
• Klassenhierarchie
• Instanzen
• Eigenschaften (Rollen, Slots)
• Markierte 2-stellige Relation zwischen Konzept und Wert
• Axiome/Relationen:
• Relationen zwischen Klassen (z.B. disjoint)
• Vererbung (multiple? Single hierarchy?)
• Restriktionen auf Rollen (Typ, Anzahl)
• Characteristika von Rollen (z.B. Symmetrie, Transitivität)
• Aufgaben beim Schließen:
• Klassifikation: Zu welcher Klasse gehört eine Instanz?
• Subsumption: Subsumiert eine Klasse eine andere?
• Konsistenz: Gibt es einen Widerspruch in meinen
Axiomen/Instanzes?
60. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
WordNet – Princeton
(Miller 1985, Fellbaum 1998)
On-line lexikalische Referenz (Wörterbuch)
• Nomina, Verben, Adjectiva, und Adverbien werden in
sogenannten synonym sets zusammengefasst.
• Ein synonym set definiert also einen Begriff als die
Menge aller Worte, die diesen Begriff als (eine)
Bedeutung haben
• Andere Relationen sind Hypernyma (ISA), Antonyma,
Meronyma
• Typische Top-Knoten der obersten Ebene - 5 von 25
• (act, action, activity)
• (animal, fauna)
• (artifact)
• (attribute, property)
• (body, corpus)
61. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
WordNet – call, 28 Bedeutungen
1. name, call -- (assign a specified, proper name to;
"They named their son David"; …)
-> LABEL
2. call, telephone, call up, phone, ring -- (get or try to get
into communication (with someone) by telephone;
"I tried to call you all night"; …)
->TELECOMMUNICATE
3. call -- (ascribe a quality to or give a name of a common
noun that reflects a quality;
"He called me a bastard"; …)
-> LABEL
4. call, send for -- (order, request, or command to come;
"She was called into the director's office"; "Call the
police!")
-> ORDER
62. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
CYC
http://www.cyc.com/cycdoc/vocab/vocab-toc.html
http://www.cyc.com/
• “The Cyc Knowledge Server is a very large,
multi-contextual knowledge base and inference
engine.”
• “a foundation of basic "common sense"
knowledge--a semantic substratum of terms,
rules, and relations”
66. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Zur Entwicklung von Ontologien…
• benötigt man einen Formalismus, der
• ausdrucksstark genug ist, um die Domäne beschreiben
zu können
• Von seiner Komplexität her einfach genug ist, um
automatisch die gewünschten Klassen von Schlüssen
ziehen zu können.
• benötigt man Regeln bzw. Heuristiken zur
inhaltlichen Modellierung
• um den geeigneten Umfang des Wissens festzulegen
• um die geeignete Granularität des Wissens festzulegen
• um die richtige Balance zwischen explizitem und
implizitem Wissen zu erzielen
67. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics
• A family of logic based Knowledge Representation
formalisms
• Describe a domain in terms of concepts (classes), roles
(properties, relationships) and individuals (entities)
• Distinguished by:
• Formal semantics (typically model theoretic)
• Decidable fragments of FOL
• Provision of inference services
• Decision procedures for key problems (satisfiability,
subsumption, etc.)
• Implemented systems (highly optimized)
68. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Description Logic Basics
• Concepts (unary predicates/formulae with one free
variable)
• E.g., Person, Doctor, HappyParent, (Doctor ⊔ Lawyer)
• Roles (binary predicates/formulae with two free variables)
• E.g., hasChild, loves, (hasBrother ∘ hasDaughter)
• Individuals (constants)
• E.g., John, Mary, Italy
• Constructors (for forming concepts and roles) restricted so
that:
• Satisfiability/subsumption is decidable and, if possible, of low
complexity
• No need for explicit use of variables
• Restricted form of ∀ and ∃
• Features such as counting can be succinctly expressed
69. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Description Logic Semantics
Semantics given by standard FO model theory:
Interpretation domain ∆I
Interpretation function I
Individuals iI
∈ ∆I
John
Mary
Concepts CI
⊆ ∆I
Lawyer
Doctor
Vehicle
Roles rI
⊆ ∆I
x ∆I
hasChild
owns
(Lawyer ⊓ Doctor)
70. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Description Logic Family
• Particular languages are mainly characterised by:
• Specific set of constructors for building complex concepts
and roles from simpler ones
• Set of axioms for asserting facts about concepts, roles and
individuals
• ALC is the smallest DL that is propositionally closed
• Constructors include
• Booleans: AND (⊓), OR (⊔), NOT (¬)
• Restrictions on role successors
• E.g., concept describing “happy fathers” could be written:
• Man all of whose children are rich or happy.
• Male ⊓ ∀hasChild.(Rich ⊔ Happy)
• E.g., Person all of whose children are either Doctors or have
a child who is a Doctor:
Person ⊓ ∀hasChild.(Doctor ⊔∃hasChild.Doctor)
71. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Description Logic Family (2)
• S often used for ALC extended with transitive roles (R+)
• Additional letters indicate other extensions, e.g.:
• H for role hierarchy (e.g., hasDaughter ⊑ hasChild)
• O for nominals/singleton classes (e.g., {Italy})
• I for inverse roles (e.g., isChildOf ≡ hasChild–
)
• N for number restrictions (e.g., ≦2hasChild, ≧3hasChild)
• Q for qualified number restrictions (e.g., ≦2hasChild.Doctor)
• F for functional number restrictions (e.g., ≧1hasMother)
• S + role hierarchy (H) + inverse (I) + QNR (Q) = SHIQ
• SHIQis the basis for W3C’s OWL Web Ontology Language
• OWL DL ≈ SHIQextended with nominals (i.e., SHOIQ)
• OWL Lite ≈ SHIQwith only functional restrictions (i.e., SHIF)
72. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
DL Architecture
Knowledge Base
Tbox (schema)
Abox (data)
Man ≡ Human ⊓ Male
Happy-Father ≡ Man ⊓ ∃ has-child
Female ⊓ …
John : Happy-Father
〈John, Mary〉 : has-child
InferenceSystem
Interface
73. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
• A TBox is a set of “schema” axioms (sentences), e.g.:
{Doctor ⊑ Person,
HappyParent ≡ Person ⊓ ∀hasChild.(Doctor ⊔
∃hasChild.Doctor)}
• An ABox is a set of “data” axioms (ground facts), e.g.:
{John:HappyParent,
John hasChild Mary}
• A Knowledge Base (KB) is just a TBox plus an ABox
Description Logics:
DL Knowledge Base
74. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
DL Knowledge Base (2)
• A TBox is a set of “schema” axioms (sentences), e.g.:
{Doctor → Person,
HappyParent ↔ Person ∧ hhasChildi(Doctor ∨
hhasChildiDoctor)}
• i.e., a background theory (a set of non-logical
axioms)
• An ABox is a set of “data” axioms (ground facts), e.g.:
{John → HappyParent,
John → hhasChildiMary}
• i.e., non-logical axioms including (restricted) use of
nominals
• A Knowledge Base (KB) is just a TBox plus an Abox
77. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Why Description Logic?
• OWL exploits results
of 15+ years of DL
research
• Well defined (model
theoretic) semantics
• Formal properties
well understood
(complexity,
decidability)
• Known reasoning
algorithms
78. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Inference Problems
• Subsumption – check whether a concept is more general
than another
• C ⊑ D ?
• Equivalence – check whether two concepts are
equivalent
• C ≡ D ?
• Consistency – check whether a concept is meaningful
• C ≡ ⊥ ?
• Membership – check whether an individual i is a member
of a concept C
• i ∈ C ?
• All problems are reducible to KB consistency
• e.g., C ⊑ D iff C ⊓ ¬D is not consistent
79. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Inference and Classes
• The people and pets example ontology contains a
number of classes and properties intended to illustrate
particular aspects of reasoning in OWL.
• We can make inferences about relationships between
those classes, in particular subsumption between classes
• Recall that A subsumes B when it is the case that any
instance of B must necessarily be an instance of A.
A
B
80. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Inference and Individuals
• In addition, the model contains a number of
individuals
• We can make inferences about the individuals,
in particular inferring that particular individuals
must be instances of particular classes.
• This can be done because of subsumption
relationships between classes, or because of the
relationships between individuals.
• The following slides examine some of the
inferences we can make in the example model
and discuss why those inferences come about.
82. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Unique Name Assumption
• The Unique Name Assumption (UNA) says that
any two individuals with different names are
different individuals.
• OWL semantics does not make the UNA
• There are mechanisms in the language
(owl:differentFrom and owl:AllDifferent) that allow us
to assert that individuals are different.
• However, many DL reasoners (including the one
we use here) assume UNA.
• For the following examples, there is a tacit assumption
that all individuals are asserted to be distinct.
84. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Bus Drivers are Drivers
• A bus driver is a person that drives a bus
• A bus is a vehicle
• A bus driver drives a vehicle, so must be a driver
• The subclass is inferred due to subclasses being used in
existential quantification.
driver ≡ person ⊓ ∃drives.vehicle
bus+driver ≡ person ⊓ ∃drives.bus
bus vehicle⊑
85. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Cat Owners like Cats
• Cat owners have cats as pets
• has_pet is a subproperty of likes, so anything that has a
pet must like that pet.
• Cat owners must like a cat, so they are cat likers.
• The subclass is inferred due to a subproperty assertion
cat+owner ≡ person ⊓ ∃has_pet.cat
has_pet likes⊑
cat+liker ≡ person ⊓ ∃likes.cat
86. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Drivers are Grown Ups
• Drivers are defined as persons that drive cars (complete
definition)
• We also know that drivers are adults (partial definition)
• So all drivers must be adult persons (e.g. grownups)
• An example of axioms being used to assert additional
necessary information about a class. We do not need to
know that a driver is an adult in order to recognize one,
but once we have recognized a driver, we know that they
must be adult.
driver ≡ person ⊓ ∃drives.vehicle
driver ⊑ adult
grownup ≡ adult person⊓
87. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Sheep are Vegetarians
• Sheep only eat grass
• Grass is a plant
• Plants and parts of plants are disjoint from animals and parts of
animals
• Vegetarians only eat things which are not animals or parts of
animals
• Note the complete definition, which means that we can
recognise when things are vegetarians.
sheep animal⊑ ⊓ ∀eats.grass
grass plant⊑
(animal ⊔ ∃part_of.animal ) ⊑ ¬(plant ⊔ ∃part_of.plant)
vegetarian ≡ ∀eats.¬∃part_of.animal ⊓ ∀eats.¬animal animal⊓
88. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Giraffes are Vegetarians
• Giraffes only eat leaves
• Leaves are parts of trees, which are plants
• Plants and parts of plants are disjoint from animals and parts of
animals
• Vegetarians only eat things which are not animals or parts of
animals
• Similar to the previous example with the additional inference
provided by the existential restriction in the definition of leaf
giraffe animal⊑ ⊓ ∀eats.leaf
leaf ⊑ ∃part_of.tree
tree plant⊑
(animal ⊔ ∃part_of.animal ) ⊑ ¬(plant ⊔ ∃part_of.plant)
vegetarian ≡ ∀eats.¬∃part_of.animal ⊓ ∀eats.¬animal animal⊓
89. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Old Ladies own Cats
• Old ladies must have a pet.
• All pets that old ladies have must be cats.
• An old lady must have a pet that is a cat.
• An example of the interaction between an existential
quantification (asserting the existence of a pet) and a universal
quantification (constraining the types of pet allowed).
• This also illustrates that this specific ontology only covers one
view on the world – it is not a representation of reality (not ideal
for data integration across ontologies!)
old+lady ≡ person ⊓ female ⊓ elderly
old+lady ⊑ ∀has_pet.cat ⊓ ∃has_pet.animal
cat+owner ≡ person ⊓ ∃has_pet.cat
90. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Mad Cows are inconsistent
• Cows are naturally vegetarians
• A mad cow is one that has been eating sheeps brains
• Sheep are animals
• Thus a mad cow has been eating part of an animal, which is
inconsistent with the definition of a vegetarian.
cow vegetarian⊑
(animal ⊔ ∃part_of.animal ) ⊑ ¬(plant ⊔ ∃part_of.plant)
vegetarian ≡ ∀eats.¬∃part_of.animal ⊓∀eats.¬animal ⊓ animal
mad+cow ≡ cow ⊓ ∃eats.(part_of.sheep ⊓ brain)
sheep animal⊑ ⊓ ∀eats.grass
92. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
The Daily Mirror is a Tabloid
• Mick drives a white van
• Mick must be a person and an adult, so he is a man
• Mick is a man who drives a white van, so he’s a white van man
• A white van man only reads tabloids, and Mick reads the
Daily Mirror, thus the Daily Mirror must be a tabloid
• Here we see interaction between complete and partial
definitions plus a universal quantification allowing an
inference about a role filler.
Daily+Mirror : Thing
Mick : male
〈Mick, Q123+ABC : drives〉 Mick, Daily+Mirror : reads〈 〉
Q123+ABC : van Q123+ABC : white+thing
white+van+man ≡ man ⊓ ∃drives.(van ⊓ white+thing)
white+van+man ⊑ ∀reads.tabloid
93. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Pete is a Person, Spike is an
Animal
• Spike is the pet of Pete
• So Pete has pet Spike
• Pete must be a Person
• Spike must be an Animal
• Here we see an interaction between an inverse
relationship and domain and range constraints on a
property.
Spike : Thing
〈Spike, Pete : is_pet_of〉
Pete :Thing
∃has_pet.T person⊑ T has_pet.animal⊑ ∀
is_a_pet_of ≡ has_pet¯
94. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Walt loves animals
• Walt is a person
• Walt has pets Huey, Dewey and Louie
• Huey, Dewey and Louie are all distinct individuals (since DL
uses Open World Assumption this has to be made explicit)
• Walt has at least three pets and is thus an animal lover.
• Note that in this case, we don’t actually need to include
person in the definition of animal lover (as the domain
restriction will allow us to draw this inference).
Walt : person
〈Walt, Huey : has_pet〉
〈Walt, Louie : has_pet〉
〈Walt, Dewey : has_pet〉
Huey : duck Louie : duck Dewey : duck
Huey ≠ Louie ≠ Dewey
animal+lover ≡ person ⊓ ≥3has_pet
95. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Tom is a Cat
• Minnie is elderly, female and has a pet, Tom
• Minnie must be a person
• Minnie is an old lady
• All of Minnie’s pets must be cats.
• Here the domain restriction gives us additional information
which then allows us to infer a more specific type. The universal
quantification then allows us to infer information about the role
filler.
Minnie : female
Minnie : elderly
〈Minnie, Tom : has_pet〉
Tom : Thing
∃has_pet.T ⊑ person T ⊑ ∀has_pet.animal
old+lady ≡ person female elderly⊓ ⊓
old+lady ⊑ ∀has_pet.cat ⊓ ∃has_pet.animal
96. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Why Ontology Reasoning?
• Given key role of ontologies in many applications, it is
essential to provide tools and services to help users:
• Design and maintain high quality ontologies, e.g.:
• Meaningful - all named classes can have instances
97. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Why Ontology Reasoning?
• Given key role of ontologies in many applications, it is
essential to provide tools and services to help users:
• Design and maintain high quality ontologies, e.g.:
• Meaningful - all named classes can have instances
• Correct — captures intuitions of domain experts
98. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Why Ontology Reasoning?
• Given key role of ontologies in many applications, it is
essential to provide tools and services to help users:
• Design and maintain high quality ontologies, e.g.:
• Meaningful - all named classes can have instances
• Correct - captures intuitions of domain experts
• Minimally redundant - no unintended synonyms
≡
Banana split Banana sundae
99. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Why Ontology Reasoning?
• Given key role of ontologies in many applications, it is
essential to provide tools and services to help users:
• Design and maintain high quality ontologies, e.g.:
• Meaningful - all named classes can have instances
• Correct - captures intuitions of domain experts
• Minimally redundant - no unintended synonyms
• Answer queries, e.g.:
• Find more general/specific classes
• Retrieve individuals/tuples matching
a given query
100. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Anwendungen von Ontologien:
e-Science
• E.g., for “in silico” investigations and “hypothesis testing”
• Comparing data (e.g., on proteins) to (model of) biological
knowledge
• Characteristics of proteins captured in an ontology O
• Goal is to identify protein instances based on
characteristics
101. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Anwendungen von Ontologien:
e-Science
• E.g., for “in silico” investigations and “hypothesis testing”
• Comparing data (e.g., on proteins) to (model of) biological
knowledge
• Characteristics of proteins captured in an ontology O
• Goal is to identify protein instances based on
characteristics
• Equivalent to answering queries of form:
O ² P(i)? for protein P and instance i
• Result may be discovery of new kinds of protein
• And these may be potential drug targets if unique to a
pathenogen
• Result may also be discovery of errors in model
• Which may reflect gaps/errors in existing knowledge
102. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Anwendungen von Ontologien:
Healthcare
• UK NHS has a £6.2 billion “Connecting for Health” IT
programme
• Key component is Care Records Service (CRS)
• “Live, interactive patient record service accessible 24/7”
• Patient data distributed across local centres in 5 regional
clusters, and a national DB
• Detailed records held by local service providers
• Diverse applications support radiology, pharmacy, etc
• Applications exchange messages containing
“semantically rich clinical information”
• Summaries sent to national database
• SNOMED-CT ontology provides common vocabulary for data
• Clinical data uses terms drawn from ontology
104. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Anwendungen von Ontologien:
SNOMED
• Over 400,000 concepts
• Schema only — no instances
• Language used is a (well known) fragment of OWL
• NHS version extended with 1,000s of additional classes
• OWL reasoner (FaCT++) used to classify and check
ontology
• Currently takes > 4 hours
• 180 missing subClass relationships were found, e.g.:
• Periocular_dermatitis subClassOf Disease_of_face
• Fibrin_measurement subClassOf
Coagulation_factor_assay
105. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Anwendungen von Ontologien:
SNOMED (2)
• Vocabulary is extensible at point of use: “post
coordination”
• Users (e.g. clinicians) may add/define new vocabulary
• Terminology service (reasoner) used to insert in ontology
• Typical new term:
• almond_allergy ´ “allergy caused_by almond”
• OWL reasoner (FaCT++) used to classify new term
• Takes <10 ms
• Classified as a kind of “nut allergy”
• Clearly of crucial importance to recognise patients with
allergy caused by almond as kinds of patient with nut
allergy
109. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Ontology Engineering
• Eine Ontologie definiert
• Ein gemeinsames Vokabular für eine Domäne
• Ein gemeinsames Verständnis einer Domäne
• Ontology Engineering meint die Definition der Begriffe
einer Domäne sowie der Beziehungen dieser Begriffe
untereinander:
• Definition der Konzepte (Begriffe, Klassen) der Domäne.
• Anordnen der Konzepte in einer Hierarchie (Subklassen-
Superklassen-Hierarchie)
• Definition der Attribute (Merkmale, Rollen) eines
Konzepts, sowie der Restriktionen für die Füller dieser
Attribute.
• Definition von Individuen und Belegung ihrer Attribute mit
Werten.
110. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Why Develop an Ontology?
• To share common understanding of the structure of
information
• among people
• among software agents
• To enable reuse of domain knowledge
• to avoid “re-inventing the wheel”
• to introduce standards to allow interoperability
• To make domain assumptions explicit
• easier to change domain assumptions (consider a genetics
knowledge base)
• easier to understand and update legacy data
• To separate domain knowledge from the operational
knowledge
• re-use domain and operational knowledge separately (e.g.,
configuration based on constraints)
111. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
An Ontology Is Often Just the
Beginning
OntologiesOntologies
Software
agents
Software
agents
Problem-
solving
methods
Problem-
solving
methods
Domain-
independent
applications
Domain-
independent
applications
DatabasesDatabasesDeclare
structure
Knowledge
bases
Knowledge
bases
Provide
domain
description
114. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Ontology Engineering versus
Object-Oriented Modeling
An ontology
• reflects the structure
of the world
• is often about
structure of
concepts
• the actual physical
representation is not
an issue
An OO class structure
• reflects the structure
of the data and code
• is usually about
behavior (methods)
• describes the
physical
representation of the
data (long integer,
character, etc.)
115. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Preliminaries - Tools
• All screenshots in this tutorial are from
Protégé-2000, which:
• is a graphical ontology-development tool
• supports a rich knowledge model
• is open-source and freely available
(http://protege.stanford.edu)
116. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Determine Domain and Scope
• What is the domain that the ontology will cover?
• For what we are going to use the ontology?
• For what types of questions the information in the
ontology should provide answers (competency
questions)?
Answers to these questions may change during the lifecycle
determine
scope
consider
reuse
enumerate
terms
define
classes
define
properties
define
constraints
create
instances
117. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Competency Questions
• Which wine characteristics should I consider when choosing a
wine?
• Is Bordeaux a red or white wine?
• Does Cabernet Sauvignon go well with seafood?
• What is the best choice of wine for grilled meat?
• Which characteristics of a wine affect its appropriateness for a
dish?
• Does a flavor or body of a specific wine change with vintage
year?
• What were good vintages for Napa Zinfandel?
118. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Consider Reuse
• Why reuse other ontologies?
• to save the effort
• to interact with the tools that use other ontologies
• to use ontologies that have been validated through
use in applications
determine
scope
consider
reuse
enumerate
terms
define
classes
define
properties
define
constraints
create
instances
119. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
What to Reuse?
• Ontology libraries
• DAML ontology library (www.daml.org/ontologies)
• Ontolingua ontology library
(www.ksl.stanford.edu/software/ontolingua/)
• Protégé ontology library (protege.stanford.edu/plugins.html)
• Upper ontologies
• IEEE Standard Upper Ontology (suo.ieee.org)
• Cyc (www.cyc.com)
121. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Enumerate Important Terms
• What are the terms we need to talk about?
• What are the properties of these terms?
• What do we want to say about the terms?
consider
reuse
determine
scope
enumerate
terms
define
classes
define
properties
define
constraints
create
instances
122. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Enumerating Terms - The Wine
Ontology
wine, grape, winery, location,
wine color, wine body, wine flavor, sugar content
white wine, red wine, Bordeaux wine
food, seafood, fish, meat, vegetables, cheese
123. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Define Classes and the Class
Hierarchy
• A class is a concept in the domain
• a class of wines
• a class of wineries
• a class of red wines
• A class is a collection of elements with similar properties
• Instances of classes
• a glass of California wine you’ll have for lunch
consider
reuse
determine
scope
define
classes
define
properties
define
constraints
create
instances
enumerate
terms
124. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Class Inheritance
• Classes usually constitute a taxonomic hierarchy (a
subclass-superclass hierarchy)
• A class hierarchy is usually an IS-A hierarchy:
an instance of a subclass is an instance of a
superclass
• If you think of a class as a set of elements, a subclass is
a subset
125. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Class Inheritance - Example
• Apple is a subclass of Fruit
Every apple is a fruit
• Red wines is a subclass of Wine
Every red wine is a wine
• Chianti wine is a subclass of Red wine
Every Chianti wine is a red wine
127. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Modes of Development
• top-down – define the most general concepts
first and then specialize them
• bottom-up – define the most specific concepts
and then organize them in more general classes
• combination – define the more salient concepts
first and then generalize and specialize them
128. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Documentation
• Classes (and slots) usually have documentation
• Describing the class in natural language
• Listing domain assumptions relevant to the class
definition
• Listing synonyms
• Documenting classes and slots is as important
as documenting computer code!
129. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Define Properties of Classes – Slots
• Slots in a class definition describe attributes of
instances of the class and relations to other
instances
Each wine will have color, sugar content, producer, etc.
consider
reuse
determine
scope
define
constraints
create
instances
enumerate
terms
define
classes
define
properties
130. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Properties (Slots)
• Types of properties
• “intrinsic” properties: flavor and color of wine
• “extrinsic” properties: name and price of wine
• parts: ingredients in a dish
• relations to other objects: producer of wine (winery)
• Simple and complex properties
• simple properties (attributes): contain primitive values
(strings, numbers)
• complex properties: contain (or point to) other objects (e.g.,
a winery instance)
132. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Slot and Class Inheritance
• A subclass inherits all the slots from the
superclass
If a wine has a name and flavor, a red wine also has a name
and flavor
• If a class has multiple superclasses, it inherits
slots from all of them
Port is both a dessert wine and a red wine. It inherits “sugar
content: high” from the former and “color:red” from the
latter
133. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Property Constraints
• Property constraints (facets) describe or limit
the set of possible values for a slot
The name of a wine is a string
The wine producer is an instance of Winery
A winery has exactly one location
consider
reuse
determine
scope
create
instances
enumerate
terms
define
classes
define
constraints
define
properties
135. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Common Facets
• Slot cardinality – the number of values a slot
has
• Slot value type – the type of values a slot has
• Minimum and maximum value – a range of
values for a numeric slot
• Default value – the value a slot has unless
explicitly specified otherwise
136. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Common Facets: Slot Cardinality
• Cardinality
• Cardinality N means that the slot must have N values
• Minimum cardinality
• Minimum cardinality 1 means that the slot must have a value
(required)
• Minimum cardinality 0 means that the slot value is optional
• Maximum cardinality
• Maximum cardinality 1 means that the slot can have at most one
value (single-valued slot)
• Maximum cardinality greater than 1 means that the slot can have
more than one value (multiple-valued slot)
137. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Common Facets: Value Type
• String: a string of characters (“Château Lafite”)
• Number: an integer or a float (15, 4.5)
• Boolean: a true/false flag
• Enumerated type: a list of allowed values (high, medium,
low)
• Complex type: an instance of another class
• Specify the class to which the instances belong
The Wine class is the value type for the slot “produces” at the
Winery class
138. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Domain and Range of Slot
• Domain of a slot – the class (or classes) that
have the slot
• More precisely: class (or classes) instances of which
can have the slot
• Range of a slot – the class (or classes) to which
slot values belong
139. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Facets and Class Inheritance
• A subclass inherits all the slots from the superclass
• A subclass can override the facets to “narrow” the list of
allowed values
• Make the cardinality range smaller
• Replace a class in the range with a subclass
Wine
French
wine
Winery
French
winery
is-a is-a
producer
producer
140. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Create Instances
• Create an instance of a class
• The class becomes a direct type of the instance
• Any superclass of the direct type is a type of the instance
• Assign slot values for the instance frame
• Slot values should conform to the facet constraints
• Knowledge-acquisition tools often check that
consider
reuse
determine
scope
create
instances
enumerate
terms
define
classes
define
properties
define
constraints
143. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Defining Classes and a Class Hierarchy
• The things to remember:
• There is no single correct class hierarchy
• But there are some guidelines
• The question to ask:
“Is each instance of the subclass an instance of its
superclass?”
145. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Disjoint Classes
• Classes are disjoint if they cannot have common
instances
• Disjoint classes cannot have any common subclasses
either
Red wine, White wine,
Rosé wine are
disjoint
Dessert wine and Red
wine are not
disjoint
Wine
Red
wine
Rosé
wine
White
wine
Dessert
wine
Port
148. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
The Perfect Family Size
• If a class has only one
child, there may be a
modeling problem
• If the only Red Burgundy
we have is Côtes d’Or,
why introduce the
subhierarchy?
• Compare to bullets in a
bulleted list
151. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Classes and Their Names
• Classes represent concepts in the domain, not their
names
• The class name can change, but it will still refer to the
same concept
• Synonym names for the same concept are not different
classes
• Many systems allow listing synonyms as part of the class
definition
153. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Back to the Slots:
Domain and Range
• When defining a domain or range for a slot, find the
most general class or classes
• Consider the flavor slot
• Domain: Red wine, White wine, Rosé wine
• Domain: Wine
• Consider the produces slot for a Winery:
• Range: Red wine, White wine, Rosé wine
• Range: Wine
154. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Back to the Slots:
Domain and Range
• When defining a domain or range for a slot, find the most
general class or classes
• Consider the flavor slot
• Domain: Red wine, White wine, Rosé wine
• Domain: Wine
• Consider the produces slot for a Winery:
• Range: Red wine, White wine, Rosé wine
• Range: Wine
slotclass allowed values
DOMAIN RANGE
155. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Defining Domain and Range
• A class and a superclass – replace with the superclass
• All subclasses of a class – replace with the superclass
• Most subclasses of a class – consider replacing with the
superclass
157. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Inverse Slots (II)
• Inverse slots contain redundant information, but
• Allow acquisition of the information in either direction
• Enable additional verification
• Allow presentation of information in both directions
• The actual implementation differs from system to system
• Are both values stored?
• When are the inverse values filled in?
• What happens if we change the link to an inverse slot?
158. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Limiting the Scope
• An ontology should not contain all the possible
information about the domain
• No need to specialize or generalize more than the
application requires
• No need to include all possible properties of a class
• Only the most salient properties
• Only the properties that the applications require
159. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Limiting the Scope (II)
• Ontology of wine, food, and their pairings
probably will not include
• Bottle size
• Label color
• My favorite food and wine
• An ontology of biological experiments will
contain
• Biological organism
• Experimenter
• Is the class Experimenter a subclass of
Biological organism?
160. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Transitivity of the Class Hierarchy
• The is-a relationship is
transitive:
B is a subclass of A
C is a subclass of B
C is a subclass of A
• A direct superclass of a
class is its “closest”
superclass
162. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Terminologie
• terminus (lat.) = Ende, Grenze, klar umrissener
Begriff, logos (gr.) = Wort, Lehre
• Termini - Fachbegriffe, deren Bedeutung
verbindlich festgelegt ist (Wort ≡ Konzept)
• Terminologie - Gesamtbestand der
angewandten Fachausdrücke einer
wissenschaftlichen Disziplin
• Medizinische Terminologie
• Medizinische Fachsprache
• Gesamtheit aller medizinischen Fachausdrücke
163. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Terminologie:
Prinzipien
• Das grundlegende Prinzip der Terminologie ist
Monosemie – jeder Begriff hat eine 1-1-deutige
Bezeichnung
• Diese Bezeichnungen nennt man Terme
• Terme können sein:
• Wort
• Mehrwortausdruck
• Acronym/Initiale
• Symbol
• Formel
164. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Monolinguale Terminologie
• Das Entwickeln von Termen um fremdsprachige
Terme zu ersetzen
• Das Entwickeln neuer Terme um neu
entstandene Begriffe beschreiben zu können
• Monolinguale Terminologie kann auch effiziente
Kommunikation zwischen unterschiedlichen
Bereichen/Wissenschaften unterstützen, indem
präferierte Terme festgelegt werden.
• Unterstützung von Schritten zur
Standardisierung einer Terminologie.
165. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Komparative Terminologie
• Zwischen 2 oder mehr Sprachen; die Begriffsanalyse
muss in jeder der beteiligten Sprachen durchgeführt
werden. Begriffssysteme sind nicht unbedingt zwischen
Sprachen übertragbar. Der Terminologe muss nach
Möglichkeit die Begriffe zusammenführen, bzw.
äquivalente Terme identifizieren.
• Der Vergleich der Begriffssysteme – in Kombination mit
der Identifikation der Terme kann helfen, Lücken im
System der beteiligten Sprachen zu entdecken. Das
Bilden äquivalenter Terme kann notwendig werden, um
Wissenstransfer und Kommunikation zwischen den
Sprechern zu ermöglichen.
• Neue Terme müssen die Kriterien der Wortbildung in der
Sprache beachten und sich harmonisch in die
bestehende Terminologie einfügen.
166. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Nomenklatur
• Nomenclatura – Namensverzeichnis
• wissenschaftliches Beziehungssystem
• Sammlung von Namen, die nach bestimmten
Regeln gebildet wurden
• dient dazu, eine größere Zahl gleichartiger
Dinge zu ordnen
• Es gibt eine eindeutige Bezeichnung für jedes
eigenständige Objekt
167. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Nomenklaturen
• Stellen eine kompakte klinische Terminologie für
Krankheiten, Diagnosen und Prozeduren zur Verfügung
• Erlauben es, klinische Daten zu indizieren, abzulegen,
darauf zuzugreifen und sie zu aggregieren.
• Einheitliche Terminologie über die verschiedenen
Teilbereiche der Medizin und die verschiedenen
Stellen/Orte der Krankenbetreuung
• Unterstützen die Strukturierung und Computerisierung
medizinischer Berichte durch Reduktion der Variabilität
bei Erfassung, Codierung und Verwendung
• Nomenklaturen für die Bereiche der
• Anatomie (nomina anatomica)
• Histologie
• Embryologie
168. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Umfang
• Insgesamt gibt es heute etwa 170.000
medizinische Termini
• 80.000 Namen für Medikamente
• 10.000 Namen zur Bezeichnung von Körperteilen,
Organen, Organteilen
• 20.000 Namen zur Bezeichnung von Organfunktionen
• 60.000 Namen für Krankheitsbezeichnungen,
Untersuchungsverfahren, Operationsmethoden
• aktiver Wortschatz eines Mediziners:
mindestens 6.000 - 8.000 Termini
170. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Trivialbezeichnungen
• Nicht genormte, vereinfachte, gemischt
lateinisch-griechisch-deutsche Bezeichnungen,
oft eingedeutschte Fremdwörter.
• Sie stehen zwischen den TERMINI und den
„volkstümlichen“ deutschen Bezeichnungen.
• Beispiel: Blinddarmentzündung
• Plötzlich auftretende Entzündung des Wurmfortsatzes
(→ fachlich korrekte deutsche Bezeichnung)
• Appendicitis acuta (→ lateinischer Terminus)
• akute Appendizitis (→ eingedeutschter Terminus)
• Appendizitis (→ Trivialbezeichnung)
171. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie
• Die medizinische Fachsprache ruht auf zwei
Säulen:
• 80% lateinische Nomina Anatomica
• 20% griechische Krankheitsbezeichnungen
• Daraus werden nach bestimmten Regeln die
medizinischen Termini gebildet:
• Einworttermini
• z.B. Cor, Femur, Gastritis
• Mehrworttermini
• z.B. Fossa cranii anterior
172. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Festlegung der Terminologie
• International Anatomical Nomenclature
Committee (IANC )
• bisherige Anatomische Nomenklaturen und
Kongresse
1895 BNA (Basler Nomina Anatomica)
1935 JNA (Jenenser Nomina Anatomica)
1955 PNA (Pariser Nomina Anatomica)
Basis für heutige Terminologie
1960 New York
Modifikation der PNA
1965 Wiesbaden
Modifikation der PNA
173. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Wesentliche Grundzüge der PNA
• Jedes Organ soll nur durch genau einen Ausdruck
bezeichnet werden.
• Bezeichnungen sollen möglichst dem Lateinischen
entstammen.
• Ausdrücke sollen möglichst kurz sein.
• Organe mit topographisch engem Bezug sollen ähnliche
Namen haben (z.B. vena femoralis und arteria femoralis).
• Unterschiedliche Attribute sollen sich gegensätzlich
verhalten (z.B. major und minor).
• Sämtliche Eponyme sind zu vermeiden.
• Ausdrücke sollen einprägsam, belehrend und
beschreibend sein.
174. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Bildung medizinischer Termini
• Einworttermini bestehen aus einem
Wortstamm sowie (optionalen) Präfix(en) und
Suffix(en)
Präfix Stamm Suffix
Beispiel Hyper- äm -ie
Beispiel inter- digit -al
Beispiel hepat -itis
• Hyperämie - vermehrte Blutfülle in einem Kreislauf
• interdigital - zwischen 2 Fingern, bzw. Zehen (liegend)
• Hepatitis - Leberentzündung
175. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Bildung medizinischer Termini (2)
• aus Wortstämmen,
• z.B. aus Adjektiv und Substantiv: Leuko-zyten
• aus Präfixen und Wortstämmen,
• z.B.: Endo-kard, Hypo-glyk-ämie
• aus Wortstämmen und Suffixen,
• z.B.: Arteri-ole, Gastr-itis
• aus Präfixen, Wortstämmen und Suffixen,
• z.B.: sub-lingu-al-is
176. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Bildung medizinischer Termini (3)
• Mehrworttermini entstehen durch Verwendung
folgender Arten von Attributen:
• adjektivische Attribute
(Bsp.: Nervus vagus)
• Genitivattribute
(Bsp.: Arcus aortae)
• Apposition
(Bsp.: Morbus Addison)
• präpositionales Attribut
(Bsp.: Aditus ad antrum)
177. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Beispiel: Anatomische Bezeichnungen
Anatomische Bezeichnungen bestehen aus:
• Körperteil
• bezeichnet die Art (z.B. Os – Knochen) oder die Form
(z.B Sulcus – Rinne) der Struktur
• Nähere Beschreibung
• Angabe von Form, Lage, Länge, Farbe, Zugehörigkeit
zu Organ
• Bei Bedarf weitere Orts- (z.B. anterior – vorderer),
Größen- (z.B. maximus – größter) oder
Zahlenangaben (z.B. secundus – zweiter)
179. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Richtungs- und Lagebezeichnungen
Gegensatzpaare
• medialis, zur Mitte hin
gelegen
• proximalis, rumpfnah [an
Extremitäten]
• superior [cranialis] der
obere
• anterior [ventralis] - der
vordere
• sinister – der linke [vom
Patienten aus gesehen]
• lateralis, seitlich gelegen
• distalis, rumpffern [an
Extremitäten]
• inferior [caudalis] der
untere
• posterior [dorsalis] – der
hintere
• dexter – der rechte
181. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Lateinische vs. griechische
Terminologie
• Für die meisten anatomischen Grundbegriffe
sind auch griechische Wörter überliefert, deren
Wortstämme in der klinisch-pathologischen
Fachsprache Verwendung finden. Beispiele:
• musculus (Muskel)
- Myositis (Muskelentzündung)
• vertebra (Wirbel)
- Spondylitis (Wirbelentzündung)
182. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Die häufigsten Suffixe
Wortanhang eingedeutscht Bedeutung und Beispiel
-itis(gr.) -itis Entzündung: Colitis
-osis(gr.) -ose Chronische Krankheit; länger
(über Monate oder Jahre)
anhaltender krankhafter Zustand:
Arthrose
-ia(gr.) -ie Krankhafter Zustand nicht näher
bezeichneter Art: Polyurie
-pathia(gr.) -pathie Chronisches Leiden nicht näher
bezeichneter Art: Nephropathie
-oma(gr.) -om Geschwulst: Carzinom (Karzinom)
-iasis(gr.) -iasis Krankheitszustand im Sinne von
„voll von etwas sein“, „etwas
beherbergend“: Cholelithiasis
183. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Erhebung des Befundes
Untersuchungs-
methode
Bedeutung und Beispiel
INSPEKTION Besichtigung der Körperoberfläche und
der zugänglichen Körperhöhlen, z.B. der
Mundhöhle
PALPATION Befühlen der Körperoberfläche, Fahnden
nach Resistenzen in der Tiefe, Befühlen
der Körperöffnungen und der
zugänglichen Körperhöhlen
PERKUSSION Abklopfen der Körperoberfläche zur
Erzeugung von Schallphänomenen zur
Bestimmung z.B. der Lungengrenzen
AUSKULTATION Abhören von Schallphänomenen, die im
Körper entstehen
184. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
“Suffixe” für
Zusatzuntersuchungen
Suffix Bedeutung Beispiel
-graphie/
-graph/
-gramm
Schreiben Sonographie/Sonograph/
Sonogramm – Aufzeichnung der
(Ultra)schallwellen
-metrie/
-meter
Messen Thermometrie/Thermometer –
Messung von Wärme (Temperatur)
-opsie Sehen
(ohne Instr.)
Autopsie = „selbst sehen“ -
Leichensektion
-skopie/
-skop
Spähen
(mit Instr.)
Laparaskopie/Laparoskop -
Bauchspiegelung
-zentese Stechen Amniozentese – Punktion des
Amnion (Fruchtwasserpunktion)
185. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Termini in der Diagnose
• Symptom
• Krankheitszeichen
• Syndrom
• Komplex vereint auftretender Symptome
• Symptomatik - Gesamtheit der Symptome
• Symptomatologie
1. Lehre von den Krankheitszeichen
2. Typische Krankheitszeichen einer bestimmten
Krankheit
• Differentialdiagnose
• Diskussion aller Diagnosen, die bei den vorhandenen
Symptomen in Frage kommen
186. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Allgemeine med.-statistische Begriffe
1. Morbidität = Der Krankheitszustand einer Bevölkerung.
• Es handelt sich dabei um das Verhältnis der erkrankten
Individuen zur Gesamtbevölkerung in einer bestimmten
Zeit.
Anzahl der Erkrankungen * 100.000
Anzahl der Bevölkerung
1. Mortalität = Die Sterblichkeit.
• Es handelt sich dabei um die Anzahl der Todesfälle in der
Gesamtbevölkerung in einer bestimmten Zeit.
Anzahl der Sterbefälle * 100.000
Anzahl der Bevölkerung
1. Letalität = Die Sterblichkeit, die Tödlichkeit.
• Es handelt sich dabei um die Anzahl der Todesfälle, die bei
einer bestimmten Erkrankung eingetreten ist.
Anzahl der Sterbefälle im Zeitraum T * 100
Anzahl der Erkrankungen im Zeitraum T
188. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Erinnerung: Klassifikation
• Ordnungssystem, das auf dem Prinzip der
Klassenbildung beruht
• Zusammenfassung von Begriffen (die in
mindestens einem klassenbildenden Merkmal
übereinstimmen) in Klassen
• Klassen sollen zu dokumentierendes Gebiet
vollständig abdecken
• Keine Überschneidung von Inhalten
• Notation (Schlüssel) für jede Klasse – Ausdruck
der hierarchischen Systematik
189. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Typen von Klassifikationen
• Hierarchische Klassifikation (Baum)
• Heterarchie bzw. Polyhierarchie (Graph)
• Prinzip der Präkoordination: Es gibt für jede
mögliche Klasse von Ereignissen einen
eindeutigen Schlüssel.
• Mehrachsige bzw. mehrdimensionale
Klassifikation
• Prinzip der Postkoordination: Ein aktuelles
Ereignis wird durch eine Menge von
Schlüsseln der betroffenen Achsen
klassifiziert.
190. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Klassifikationssysteme
• Systematische Ordnung des
medizinischen Wissens
• Klassifikation von
• Krankheiten und ihren Folgen
• Operationen, therapeutische / diagnostische
Verfahren
• Organen
• Medikamenten
• große Zahl an Klassifikationssystemen
191. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Bespiel - Postkoordination
(D1) Erkrankungen des Fettstoffwechsels
(D11) Hyperlipidämie
(D12) Lipoproteinmangel
(D121) A-Beta-Lipoproteinämie
(D122) Anderer Proteinmangel
(D13) Andere Erkrankung des Fettstoffwechsels
(D2) Erkrankungen des Kohlenhydratstoffwechsels
(A1) ernährungsbedingt
(A2) kongenital
(A3) gemischte oder andere Ätiologie
Ernährungsbedingte Hyperlipidämie => (A1 D11)
192. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Erste systematische Klassifikationen
von Krankheiten
• London‘s „Bills of Mortality“
• JohnGraunt, 18. Jahrhundert
• „Nosologia methodica“
• Francois Bossier de Lacroix = Sauvages (1706-1777)
• „Genera morborum“
• Linnaeus (1707-1778)
• „Synopsis nosologiae“ (1785)
• WilliamCullen, 1710-1790
• Zu Beginn des 19. Jahrhunderts am häufigsten
benutzt.
193. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Auszug aus Bills of Mortality
Aged 54
Apoplectic 1
….
Fall down stairs 1
Gangrene 1
Grief 1
Griping in the Guts 74
…
Plague 3880
…
Suddenly 1
Surfeit 87
Teeth 113
…
Ulcer 2
Vomiting
7
Winde 8
Worms 18
Bills of Mortality wurde zwischen 1664 und den 1830ern wöchentlich
veröffentlicht.
The Diseases and Casualties this Week:
194. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Entwicklung der
Klassifikationssysteme
1853 1. Internationaler Statistikkongress, Brüssel
• William Farr, Marc d‘Espine
1855 Systematisches Verzeichnis der Todesursachen
1860 „Vorschläge für einen einheitlichen Plan von
Krankenhausstatistiken“
• Florence Nightingale
1893 Bertillon-Klassifikation der Todesursachen
• Jaques Bertillon
1938 Internationale Klassifikation der Krankheiten und
Todesursachen, WHO (5. Revision)
1946 Internationale Klassifikation der Krankheiten,
Verletzungen und Todesursachen, WHO (6. Revision)
1992 Internationale statistische Klassifikation der
Krankheiten und verwandter Gesundheitsprobleme, 10.
Revision (ICD-10)
195. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Aktuelle Medizinische
Klassifikationssysteme
• ICD
• International Statististical Classification of Diseases
and Related Health Problems
• ICD-O
• International Statististical Classification of Diseases
and Related Health Problems - Oncology
• TNM
• T=primary tumor, N=regional lymph nodes, M=distant
metastasis
• ICPM (deutsche Version IKPM)
• International Classification for Procedures in
Medicine)
196. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
ICD-10 - Struktur
• Alphanumerische Codes, z.B. K35.0
• „U“-Code („Update“ für temporären
Gebrauch oder lokale Erweiterungen des
Codesystems
• Band 1 - Systematik (DAS / VAS)
• 21 Kapitel, grundsätzliche Gliederung nach
Körpersystemen
• Band 2 - Regelwerk
• Richtlinien, Klassifikationsgrundlagen,
Codierungsregeln, Anwendungshinweise
• Band 3 - Alphabetisches Verzeichnis
197. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
ICD – Allgemeine Klassifikation
A00-B99 Bestimmte infektiöse und parasitäre Krankheiten
C00-D48 Neubildungen
D50-D89 Krankheiten des Blutes und der blutbildenden Organe sowie bestimmte
Störungen mit Beteiligung des Immunsystems
E00-E90 Endokrine, Ernährungs- und Stoffwechselkrankheiten
F00-F99 Psychische und Verhaltensstörungen
G00-G99 Krankheiten des Nervensystems
H00-H59 Krankheiten des Auges und der Augenanhangsgebilde
H60-H95 Krankheiten des Ohres und des Warzenfortsatzes
I00-I99 Krankheiten des Kreislaufsystems
J00-J99 Krankheiten des Atmungssystems
K00-K93 Krankheiten des Verdauungssystems
L00-L99 Krankheiten der Haut und der Unterhaut
M00-M99 Krankheiten des Muskel-Skelett-Systems und des Bindegewebes
N00-N99 Krankheiten des Urogenitalsystems
O00-O99 Schwangerschaft, Geburt und Wochenbett
P00-P96 Bestimmte Zustände, die ihren Ursprung in der Perinatalperiode haben
Q00-Q99 Angeborene Fehlbildungen, Deformitäten und Chromosomenanomalien
R00-R99 Symptome und abnorme klinische und Laborbefunde, die anderenorts nicht
klassifiziert sind
S00-T98 Verletzungen, Vergiftungen und bestimmte andere Folgen äußerer Ursachen
V01-Y98 Äußere Ursachen von Morbidität und Mortalität
Z00-Z99 Faktoren, die den Gesundheitszustand beeinflussen und zur
Inanspruchnahme des Gesundheitswesens führen
198. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
ICD - Krankheiten des
Atmungssystems (J00-J99)
J00-J06 Akute Infektionen der oberen Atemwege
J10-J18 Grippe und Pneumonie
J20-J22 Sonstige akute Infektionen der unteren Atemwege
J30-J39 Sonstige Krankheiten der oberen Atemwege
J40-J47 Chronische Krankheiten der unteren Atemwege
J60-J70 Lungenkrankheiten durch exogene Substanzen
J80-J84 Sonstige Krankheiten der Atmungsorgane, die
hauptsächlich das Interstitium betreffen
J85-J86 Purulente und nekrotisierende Krankheitszustände
der unteren Atemwege
J90-J94 Sonstige Krankheiten der Pleura
J95-J99 Sonstige Krankheiten des Atmungssystems
199. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
ICD - Sonstige akute Infektionen der
unteren Atemwege (J20-J22)
Exkl.: Chronisch-obstruktive Lungenkrankheit mit akuter:
• Exazerbation o.n.A. ( J44.1 )
• Infektion der unteren Atemwege ( J44.0 )
J20.- Akute Bronchitis
J20.0 Akute Bronchitis durch Mycoplasma pneumoniae
J20.1 Akute Bronchitis durch Haemophilus influenzae
J20.2 Akute Bronchitis durch Streptokokken
J20.3 Akute Bronchitis durch Coxsackieviren
J20.4 Akute Bronchitis durch Parainfluenzaviren
J20.5 Akute Bronchitis durch Respiratory-Syncytial-Viren [RS-Viren]
J20.6 Akute Bronchitis durch Rhinoviren
J20.7 Akute Bronchitis durch ECHO-Viren
J20.8 Akute Bronchitis durch sonstige näher bezeichnete Erreger
J20.9 Akute Bronchitis, nicht näher bezeichnet
J21.- Akute Bronchiolitis
J21.0 Akute Bronchiolitis durch Respiratory-Syncytial-Viren [RS-Viren]
J21.8 Akute Bronchiolitis durch sonstige näher bezeichnete Erreger
J21.9 Akute Bronchiolitis, nicht näher bezeichnet
J22 Akute Infektion der unteren Atemwege, nicht näher bezeichnet
200. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Anwendung der ICD
• Die ICD-10 wird für die Verschlüsselung von
Todesursachen eingesetzt und ist die Grund-
lage der amtlichen Todesursachenstatistik.
• Standardisierte medizinische Dokumentation
und Auswertung
• Fallvergütung: automatisierte Auswertung, z.B. in der
Kostenabrechnung
• Aggregation: (statistische) Zusammenfassung von
Einzelerkenntnissen, z.B. Kennziffernaufbereitung in
der Gesundheitsberichterstattung
• Retrieval: gezieltes Wiederfinden von
Einzelergebnissen
• Strategie, Planung
• Kommunikation, Kooperation
201. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
ICD-10 - Nachteile
• Komplexer Katalog (14.000 Codes)
• umfasst für die ärztliche Versorgung
unbedeutende Diagnosen/Zustands-
beschreibungen
• z.B. Alligatorenbiss (W85), Opfer von
Vulkanausbruch (X35)
• Klassifikation ist zeitaufwendig
• zur Befundung nur bedingt geeignet
• Ausschlussdiagnostik
• Verdachtsdiagnose
• „Zustand nach“
202. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
ICD-O
• Tumorlokalisationsschlüssel herausgegeben
durch WHO
• Topography
• abgeleitet aus bösartigen Neubildungen der ICD 9 /
10
• Morphologie
• auf der Grundlage von MOTNAC 1968
• Bildet die Grundlage für SNOMED –Tumorteil
• 4 Stellen histologischer Typ
• + 1 Stelle „Behavior Code“
• + 1 Stelle Grading / Zelltyp (Lymphome)
• Terminologie der „International Histological
Classification of Tumors“ (BlueBooks) der WHO
203. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
TNM
• International verwendet zur klinischen Stadieneinteilung
bösartiger Tumore
• Klinische Studien
• Tumordokumentation in Tumorzentren
• Mehrachsige Klassifikation
• 3 Hauptachsen (T, N, M)
• Nebenachsen (G, R, L, V, C)
• Prefixmodifikatoren (c, p, y)
• Bedeutung der Codes für Größe und Lymphknotenbefall
organspezifisch definiert
• Ergebnis der Klassifikation ist die Zuordnung der
Erkrankung zu einem der Stadien I - IV
• Tumorlokalisationsschlüssel ergänzend zur Spezifikation
der anatomischen Lage
204. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
TNM - Achsen
• T1 - T4: Tumorgröße
• N1 - N3: Lymphknotenbefall
• M0 - M1: Metastasierung
• G1 – G4: Der „Grad“ der Krebszellen
• R0 – R2: Die Vollständigkeit der Operation
• L0 – L1: Befall von Lymphgefäßen
• V0 – V2: Befall von Venen
• C1 – C5: Modifikator, der die Sicherheit des
voranstehenden Achsenwerts angibt
• c: Erkrankungsstadium laut klinischer Untersuchung
• p: Erkrankungsstadium laut pathologischer
Untersuchung
• y: Erkrankungsstadium nach nicht-invasiver Therapie
206. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
ICPM - IKPM
• Die International Classification for Procedures in Medicine
(Internationale Klassifikation der Prozeduren in der
Medizin) umfasst alle Prozeduren in der Medizin.
• Zur Verbesserung der Kosten- und Leistungstransparenz
müssen medizinische Versorgungsmaßnahmen
(Prozeduren) klassifiziert werden. Sie bilden die
Grundlage für diagnosen- und therapieorientierte
Fallgruppensysteme (DRG).
• Die ICPM wird von der WHO publiziert und bildet die
Grundlage für viele Prozedurenklassifikationen (erweitert
und modifiziert in vielen Ländern) und stellt somit den
Rahmen für nationale Erweiterungen dar.
(Eintrag Wikipedia)
207. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
IKPM - Struktur
• Codewort
• Numerisch, 5-stellig, hierarchisch
• Position „x“: sonstige Prozeduren
• Position „y“: nicht näher bezeichnete Prozeduren
• Möglichkeit der Mehrfachcodierung für
komplexe Eingriffe;
• Interoperative Komplikationen werden
gesondert verschlüsselt;
• Die Gliederung ist topographisch-anatomisch,
nicht fachgebietsbezogen.
208. InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
IKPM - Beispiel
1: DIAGNOSTISCHE MASSNAHMEN
5: OPERATIONEN
8: NICHTOPERATIVE THERAPEUTISCHE MASSNAHMEN
* 8-14: Andere Formen von therapeutischer Katheterisierung und Kanüleneinlage
Exkl.: Therapeutische Katheterisierung und Kanüleneinlage in Gefäße ( 8-83 )
* 8-15: Therapeutische Aspiration und Entleerung durch Punktion
o 8-151: Therapeutische Punktion des Zentralnervensystems
# 8-151.0: Zisterne
# 8-151.1: Ventrikel
# 8-151.2: Ventrikelshunt
# 8-151.3: Rückenmarkzyste
# 8-151.4: Lumbalpunktion
# 8-151.x: Sonstige
# 8-151.y: N.n.bez.
o 8-153: Therapeutische perkutane Punktion des Perikardes
o 8-158: Therapeutische perkutane Punktion von Organen des
Bauchraumes
* 8-16: Andere therapeutische Aspiration und Entleerung durch Punktion
* 8-17: Evakuation, Durch- und Ausspritzen, Spülen und Durchblasen
* 8-40...8-48: Knochenextension und andere Extensionsverfahren
* 8-50...8-50: Manipulationen an Fetus oder Uterus während der Gravidität oder
direkt post partum
* 8-83: Therapeutische Katheterisierung und Kanüleneinlage in Gefäße
9: ERGÄNZENDE MASSNAHMEN
Hinweis der Redaktion
NL annotations (possibly with rendering annotation) already associated with images (only way google can find them)
Augment NL with semantic annotation.
This is the first WordNet synset importation page for a verb synset in which there is one or more candidate matches.
The matching heuristics are:
Existing part of speech denotation assertion relating a synset word with a Cyc concept.
Search by synset word in constant names and comments, with verbs constrained to be specs of Situation
If the synset has more than one hypernym relation (e.g. Frisbee), then this page is displayed once for each proposed genls. The [more] hyperlink displays a similar page with additional genls terms in the concept hierarchy. The hyperlink for a synset word (e.g. rush or hurry) takes the user to a page in which the word senses for that word are summarized. The hyperlinks for Cyc terms take the user to the KB browser for that term.
This is the first WordNet synset importation page for a verb synset in which there is no candidate match. The concept hierarchy is determined by using the hypernym relation of the synset to be imported. Note that in order for a synset to be imported, the synset hypernym must have been already imported or matched. The user reviews the proposed concept hierarchy and chooses either to not import the synset, or to continue.
Banana split is a kind of fruit sundae?
Graphic showing protein functional domains (sequences of amino acids?); the identifying characteristics of different proteins.
Graphic showing protein functional domains (sequences of amino acids?); the identifying characteristics of different proteins.