SlideShare ist ein Scribd-Unternehmen logo
InstitutfürArtificialIntelligence
andDecisionSupport
MEDIZINISCHE
UNIVERSITÄT
WIEN
Taxonomie und Ontologie
SS 2016
Asst.-Prof. Dr. Matthias Samwald
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.
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.
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)
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)
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.
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Das semiotische Dreieck
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Das semiotische Dreieck - Beispiel
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
“Now... that should clear up a few things around here”
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!
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Abbildung Wort ↔ Begriff
Polysemie/Homonymie (1:n) Synonymie (m:1)
Monosemie (1:1) Wort:Begriff (m:n)
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
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.
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.)
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
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?).
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.
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Wörter und Übersetzung (2)
• Wortfelder im Englischen und Französischen
und ihre komplexe Überlappung
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Wörter und Begriffe (2)
warten
anhalten
pausieren halten
behalten
behaupten
argumentieren
aufheben
verwahrenbewahren
speichern
arretieren
befestigen
pflegen
instand halten
aufwarten
bedienen
abwarten
erwarten
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).
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Grundlagen:
Die Synsets des Beispiels
1. anhalten
halten
pausieren
warten
2. abwarten
erwarten
warten
3. instand halten
pflegen
warten
4. aufwarten
bedienen
warten
5. arretieren
befestigen
halten
6. argumentieren
behaupten
halten
7. behaupten
behalten
halten
8. aufheben
halten verwahren
9. bewahren
halten
speichern
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).
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
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.
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Linné: Systema Naturae
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Beispiel: Säugetiere
P la z e n t a
S ä u g e t ie r e
M ilc h z it z e n
P la z e n t a t ie r e
B e u t e lt ie r e
K lo a k e n t ie r e
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
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.
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.
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Beispiel - Hierarchie
Tier
Vogel Säugetier Fisch
Sittich Spatz Huhn Schaf Katze Reh Karpfen Goldfisch Hai
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!
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Beispiel - Heterarchie
Tier
Vogel Säugetier Fisch Nutztier Haustier Wildtier
Sittich Spatz Huhn Schaf Katze Reh Karpfen Goldfisch Hai
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO+UE: Taxonomie und Ontologie
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.
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“.
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Baum der Natur und Logik
(Raimundus Lullus)
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Die 10 Aristotelischen Kategorien in
der Darstellung von Franz Brentano
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Baum des Porphyrius
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
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
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)
InstitutfürArtificialIntelligence
andDecisionSupport
Was ist eine Ontologie? (2)
Ontologie ist eine formale Repräsentation der
Realität
VO: Taxonomie und Ontologie
nach: Barry Smith
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.
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, …
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.
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
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
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
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.
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
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?
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)
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
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”
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
CYC – Upper Ontology
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
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
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)
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
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)
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)
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)
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
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Class/Concept Constructors
• C is a concept (class);
• P is a role (property);
• x is an individual name
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Description Logics:
Ontology Axioms
• OWL ontology ≡ DL KB (Tbox + Abox)
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
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
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
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.
InstitutfürArtificialIntelligence
andDecisionSupport
VO+UE: Taxonomie und Ontologie
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.
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Classes
• The following examples illustrate reasoning with
classes and class definitions.
• We show examples of
• Inferred Subsumptions
• Inconsistency
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⊑
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
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⊓
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⊓
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⊓
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Individuals
• The following examples illustrate reasoning with
individuals.
• We look at why particular individuals can be
inferred to be members of particular classes.
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
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¯
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
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
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
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
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
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
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
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
SNOMED
• Over 400,000 concepts
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO+UE: Taxonomie und Ontologie
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
• Editoren/Umgebungen
• Protégé, Web Protégé, TopBraid, …
Werkzeuge und Infrastruktur
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
• Editoren/Umgebungen
• Protégé, TopBraid Composer
• Reasoning-Systeme
• Pellet, HermiT, ELK, TrOWL, Konclude
Werkzeuge und Infrastruktur
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.
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)
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Beispiel: Weine und Weingüter
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Ontology-Development Process
In this tutorial:
determine
scope
consider
reuse
enumerate
terms
define
classes
define
properties
define
constraints
create
instances
In reality - an iterative process:
determine
scope
consider
reuse
enumerate
terms
define
classes
consider
reuse
enumerate
terms
define
classes
define
properties
create
instances
define
classes
define
properties
define
constraints
create
instances
define
classes
consider
reuse
define
properties
define
constraints
create
instances
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.)
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)
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
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?
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
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)
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
What to Reuse? (II)
• General ontologies
• DMOZ (www.dmoz.org)
• WordNet (www.cogsci.princeton.edu/~wn/)
• Domain-specific ontologies
• UMLS Semantic Net
• GO (Gene Ontology) (www.geneontology.org)
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
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
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
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Levels in the Hierarchy
Middle
level
Top
level
Bottom
level
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
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!
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
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)
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Slots for the Class Wine
(in Protégé-2000)
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Facets for Slots at the Wine
Class
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
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)
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
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
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Creating an Instance: Example
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Going Deeper
• Breadth-first coverage
determine
scope
consider
reuse
enumerate
terms
define
classes
define
properties
define
constraints
create
instances
 Depth-first coverage
determine
scope
consider
reuse
enumerate
terms
define
classes
define
properties
define
constraints
create
instances
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?”
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Multiple Inheritance
• A class can have more than
one superclass
• A subclass inherits slots
and facet restrictions from
all the parents
• Different systems resolve
conflicts differently
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Avoiding Class Cycles
• Danger of multiple inheritance:
cycles in the class hierarchy
• Classes A, B, and C have
equivalent sets of instances
• By many definitions, A, B, and C
are thus equivalent
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Siblings in a Class Hierarchy
• All the siblings in the class
hierarchy must be at the
same level of generality
• Compare to section and
subsections in a book
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
The Perfect Family Size (II)
• If a class has more than
a dozen children,
additional
subcategories may be
necessary
• However, if no natural
classification exists, the
long list may be more
natural
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Single and Plural Class Names
• A “wine” is not a kind-of “wines”
• A wine is an instance of the class
Wines
• Class names should be either
• all singular
• all pluralClass
Instance
instance-of
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
A Completed
Hierarchy of Wines
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
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Inverse Slots
Maker and
Producer
are inverse slots
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?
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
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?
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO+UE: Taxonomie und Ontologie
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
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
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.
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.
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
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Medizinische Terminologie:
Anwendungsbereiche
• Übermittlung und Dokumentation von
medizinischen Sachverhalten
• Ärztliche Praxis
• Überweisungen
• Arztberichte
• Arzt-Patienten-Gespräche
• Medizinische Wissenschaft
• Publikationen
• Vorträge, Präsentationen
• Medizinstudium
• Lehrveranstaltungen
• Praktika
• Lehrbücher
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)
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
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
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.
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
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
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)
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)
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Richtungs- und Lagebezeichnungen
Lageebenen
Sagittalebene/
Sagittalachse Horizontalebene/
Transversalachse
Frontalebene/
Longitudinalachse
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Musculus extensor carpi
radialis longus
Tendo musculi
extensoris
carpi radialis
longi
Medizinische Terminologie:
Beispiel
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)
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
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
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)
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
Nomenklatur - Klassifikation
Ontologie
Notation
für Klassen
Identifikations
-schlüssel
Notation
für Objekte
Klassifikatio
n
Nomenklatur
Klassifikations
-schlüssel
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
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.
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
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)
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.
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:
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)
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)
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
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
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
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
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
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“
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
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
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
InstitutfürArtificialIntelligence
andDecisionSupport
VO: Taxonomie und Ontologie
TNM –Gruppierung der Stadien
• Stadium I T1 N0 M0
T2 N0 M0
• Stadium II T1 N1 M0
T2 N1 M0
• Stadium III T1 N2 M0
T2 N2 M0
T3 N0-2 M0
• Stadium IV T1-4 N3 M0
T4 N0-3 M0
T1-4 N0-3 M1
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)
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.
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
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)
VO Taxonomie und Ontologie (SS 2016)

Weitere ähnliche Inhalte

Was ist angesagt?

박사과정 진학을 하기 전 알았으면 좋았을 것들
박사과정 진학을 하기 전 알았으면 좋았을 것들박사과정 진학을 하기 전 알았으면 좋았을 것들
박사과정 진학을 하기 전 알았으면 좋았을 것들
Sungwoo Park
 
Turn the ship around - synthèse en français
Turn the ship around - synthèse en françaisTurn the ship around - synthèse en français
Turn the ship around - synthèse en français
Cecile Auret
 
Git & SourceTree
Git & SourceTreeGit & SourceTree
Git & SourceTree
Tu Tran
 
Controle de versão com Git
Controle de versão com GitControle de versão com Git
Controle de versão com Git
Vanessa Me Tonini
 
Die Funktionen der Kasus
Die Funktionen der KasusDie Funktionen der Kasus
Die Funktionen der Kasus
deutscheins1
 
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Little Big Data #1. 바닥부터 시작하는 데이터 인프라Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Seongyun Byeon
 
대학원생 생존가이드
대학원생 생존가이드대학원생 생존가이드
대학원생 생존가이드
POSTECH
 
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
AWSKRUG - AWS한국사용자모임
 
반복적인 코드 작업 자동화, Codebone으로 손쉽게
반복적인 코드 작업 자동화, Codebone으로 손쉽게반복적인 코드 작업 자동화, Codebone으로 손쉽게
반복적인 코드 작업 자동화, Codebone으로 손쉽게
Sungju Jin
 
A1 - Präteritum von "sein"
A1 - Präteritum von "sein"A1 - Präteritum von "sein"
A1 - Präteritum von "sein"
Maria Vaz König
 
ML 유학 HOW TO
ML 유학 HOW TOML 유학 HOW TO
ML 유학 HOW TO
Juyong Kim
 
OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...
OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...
OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...
Altinity Ltd
 
자바 웹프로젝트 개발환경 셋팅
자바 웹프로젝트 개발환경 셋팅자바 웹프로젝트 개발환경 셋팅
자바 웹프로젝트 개발환경 셋팅
Yoonsung Jung
 

Was ist angesagt? (13)

박사과정 진학을 하기 전 알았으면 좋았을 것들
박사과정 진학을 하기 전 알았으면 좋았을 것들박사과정 진학을 하기 전 알았으면 좋았을 것들
박사과정 진학을 하기 전 알았으면 좋았을 것들
 
Turn the ship around - synthèse en français
Turn the ship around - synthèse en françaisTurn the ship around - synthèse en français
Turn the ship around - synthèse en français
 
Git & SourceTree
Git & SourceTreeGit & SourceTree
Git & SourceTree
 
Controle de versão com Git
Controle de versão com GitControle de versão com Git
Controle de versão com Git
 
Die Funktionen der Kasus
Die Funktionen der KasusDie Funktionen der Kasus
Die Funktionen der Kasus
 
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Little Big Data #1. 바닥부터 시작하는 데이터 인프라Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
 
대학원생 생존가이드
대학원생 생존가이드대학원생 생존가이드
대학원생 생존가이드
 
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
 
반복적인 코드 작업 자동화, Codebone으로 손쉽게
반복적인 코드 작업 자동화, Codebone으로 손쉽게반복적인 코드 작업 자동화, Codebone으로 손쉽게
반복적인 코드 작업 자동화, Codebone으로 손쉽게
 
A1 - Präteritum von "sein"
A1 - Präteritum von "sein"A1 - Präteritum von "sein"
A1 - Präteritum von "sein"
 
ML 유학 HOW TO
ML 유학 HOW TOML 유학 HOW TO
ML 유학 HOW TO
 
OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...
OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...
OSA Con 2022 - Switching Jaeger Distributed Tracing to ClickHouse to Enable A...
 
자바 웹프로젝트 개발환경 셋팅
자바 웹프로젝트 개발환경 셋팅자바 웹프로젝트 개발환경 셋팅
자바 웹프로젝트 개발환경 셋팅
 

Andere mochten auch

Puyango, Tierra del Bosque Petrificado y el Café de altura
Puyango, Tierra del Bosque Petrificado y el Café de alturaPuyango, Tierra del Bosque Petrificado y el Café de altura
Puyango, Tierra del Bosque Petrificado y el Café de altura
jdgarciaprado
 
Garcia, Miguel Angel - Clase 7
Garcia, Miguel Angel - Clase 7Garcia, Miguel Angel - Clase 7
Garcia, Miguel Angel - Clase 7
thomas_arg
 
io3900-14_1415P4_Designbrief_Yin_1536184
io3900-14_1415P4_Designbrief_Yin_1536184io3900-14_1415P4_Designbrief_Yin_1536184
io3900-14_1415P4_Designbrief_Yin_1536184
Zhong-da Yin
 
2010 Volvo C30 San Francisco
2010 Volvo C30 San Francisco2010 Volvo C30 San Francisco
2010 Volvo C30 San Francisco
McKevitt Volvo
 
4496 - More Power in the Garden - EN.pdf
4496 - More Power in the Garden - EN.pdf4496 - More Power in the Garden - EN.pdf
4496 - More Power in the Garden - EN.pdf
unn | UNITED NEWS NETWORK GmbH
 
Sibila Customer Intelligence. El cross-selling en seguros es fácil
Sibila Customer Intelligence. El cross-selling en seguros es fácilSibila Customer Intelligence. El cross-selling en seguros es fácil
Sibila Customer Intelligence. El cross-selling en seguros es fácil
Sibila Intelligence
 
101007 wpd izet input steinburg region
101007 wpd izet input steinburg region101007 wpd izet input steinburg region
101007 wpd izet input steinburg regionYellie Alkema
 
A viabilidade da construção do conhecimento
A viabilidade da construção do conhecimentoA viabilidade da construção do conhecimento
A viabilidade da construção do conhecimento
slucarz
 
Halloween Catalogo 2008 Scarpe
Halloween Catalogo 2008 ScarpeHalloween Catalogo 2008 Scarpe
Halloween Catalogo 2008 Scarpe
Woman Shop
 
Curso responsive web design - Redradix School
Curso responsive web design  - Redradix SchoolCurso responsive web design  - Redradix School
Curso responsive web design - Redradix School
Redradix
 
Ud 4-CONSUMO TELEVISIVO ppt
Ud 4-CONSUMO TELEVISIVO pptUd 4-CONSUMO TELEVISIVO ppt
Ud 4-CONSUMO TELEVISIVO ppt
mrlecumberri
 
Présentation du GroupExpression - Espagnol 0912
Présentation du GroupExpression - Espagnol 0912Présentation du GroupExpression - Espagnol 0912
Présentation du GroupExpression - Espagnol 0912
GroupExpression
 
Slideshare test
Slideshare testSlideshare test
Slideshare test
geckoweb
 
Silabo de computacion vi nivel
Silabo de computacion  vi nivelSilabo de computacion  vi nivel
Silabo de computacion vi nivel
Rossy Ortiz
 
Comparación de los puntos de corte propuestos para insulinorresistencia a par...
Comparación de los puntos de corte propuestos para insulinorresistencia a par...Comparación de los puntos de corte propuestos para insulinorresistencia a par...
Comparación de los puntos de corte propuestos para insulinorresistencia a par...
Conferencia Sindrome Metabolico
 
2014 Cadillac CTS Digital Brochure
2014 Cadillac CTS Digital Brochure2014 Cadillac CTS Digital Brochure
2014 Cadillac CTS Digital Brochure
Gary Lang Auto Group
 
Plantas industriales 1
Plantas industriales 1Plantas industriales 1
Plantas industriales 1
kimberly acurero
 
Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...
Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...
Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...
cosmicchannelings.com For More Free Channelings
 
Accenture hpb consumer_healthcare_po_v_6 june 2012 v3
Accenture hpb consumer_healthcare_po_v_6 june 2012 v3Accenture hpb consumer_healthcare_po_v_6 june 2012 v3
Accenture hpb consumer_healthcare_po_v_6 june 2012 v3
claudy604
 
Trab und5 - modbus
Trab   und5 - modbusTrab   und5 - modbus
Trab und5 - modbus
Juan Ascanio Carvajal
 

Andere mochten auch (20)

Puyango, Tierra del Bosque Petrificado y el Café de altura
Puyango, Tierra del Bosque Petrificado y el Café de alturaPuyango, Tierra del Bosque Petrificado y el Café de altura
Puyango, Tierra del Bosque Petrificado y el Café de altura
 
Garcia, Miguel Angel - Clase 7
Garcia, Miguel Angel - Clase 7Garcia, Miguel Angel - Clase 7
Garcia, Miguel Angel - Clase 7
 
io3900-14_1415P4_Designbrief_Yin_1536184
io3900-14_1415P4_Designbrief_Yin_1536184io3900-14_1415P4_Designbrief_Yin_1536184
io3900-14_1415P4_Designbrief_Yin_1536184
 
2010 Volvo C30 San Francisco
2010 Volvo C30 San Francisco2010 Volvo C30 San Francisco
2010 Volvo C30 San Francisco
 
4496 - More Power in the Garden - EN.pdf
4496 - More Power in the Garden - EN.pdf4496 - More Power in the Garden - EN.pdf
4496 - More Power in the Garden - EN.pdf
 
Sibila Customer Intelligence. El cross-selling en seguros es fácil
Sibila Customer Intelligence. El cross-selling en seguros es fácilSibila Customer Intelligence. El cross-selling en seguros es fácil
Sibila Customer Intelligence. El cross-selling en seguros es fácil
 
101007 wpd izet input steinburg region
101007 wpd izet input steinburg region101007 wpd izet input steinburg region
101007 wpd izet input steinburg region
 
A viabilidade da construção do conhecimento
A viabilidade da construção do conhecimentoA viabilidade da construção do conhecimento
A viabilidade da construção do conhecimento
 
Halloween Catalogo 2008 Scarpe
Halloween Catalogo 2008 ScarpeHalloween Catalogo 2008 Scarpe
Halloween Catalogo 2008 Scarpe
 
Curso responsive web design - Redradix School
Curso responsive web design  - Redradix SchoolCurso responsive web design  - Redradix School
Curso responsive web design - Redradix School
 
Ud 4-CONSUMO TELEVISIVO ppt
Ud 4-CONSUMO TELEVISIVO pptUd 4-CONSUMO TELEVISIVO ppt
Ud 4-CONSUMO TELEVISIVO ppt
 
Présentation du GroupExpression - Espagnol 0912
Présentation du GroupExpression - Espagnol 0912Présentation du GroupExpression - Espagnol 0912
Présentation du GroupExpression - Espagnol 0912
 
Slideshare test
Slideshare testSlideshare test
Slideshare test
 
Silabo de computacion vi nivel
Silabo de computacion  vi nivelSilabo de computacion  vi nivel
Silabo de computacion vi nivel
 
Comparación de los puntos de corte propuestos para insulinorresistencia a par...
Comparación de los puntos de corte propuestos para insulinorresistencia a par...Comparación de los puntos de corte propuestos para insulinorresistencia a par...
Comparación de los puntos de corte propuestos para insulinorresistencia a par...
 
2014 Cadillac CTS Digital Brochure
2014 Cadillac CTS Digital Brochure2014 Cadillac CTS Digital Brochure
2014 Cadillac CTS Digital Brochure
 
Plantas industriales 1
Plantas industriales 1Plantas industriales 1
Plantas industriales 1
 
Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...
Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...
Cosmic Awareness 1980-09: More On The Return of Ahriman- The Anti-Christ, to ...
 
Accenture hpb consumer_healthcare_po_v_6 june 2012 v3
Accenture hpb consumer_healthcare_po_v_6 june 2012 v3Accenture hpb consumer_healthcare_po_v_6 june 2012 v3
Accenture hpb consumer_healthcare_po_v_6 june 2012 v3
 
Trab und5 - modbus
Trab   und5 - modbusTrab   und5 - modbus
Trab und5 - modbus
 

Mehr von Matthias Samwald

Towards Transformative Artificial Intelligence in Life Science and Health Care
Towards Transformative Artificial Intelligence in Life Science and Health CareTowards Transformative Artificial Intelligence in Life Science and Health Care
Towards Transformative Artificial Intelligence in Life Science and Health Care
Matthias Samwald
 
Bridging theory and practice: Clinical decision support systems for personali...
Bridging theory and practice: Clinical decision support systems for personali...Bridging theory and practice: Clinical decision support systems for personali...
Bridging theory and practice: Clinical decision support systems for personali...
Matthias Samwald
 
CRISPR as a potential tool for malaria eradication
CRISPR as a potential tool for malaria eradicationCRISPR as a potential tool for malaria eradication
CRISPR as a potential tool for malaria eradication
Matthias Samwald
 
One man's *1 is another man's *13? Trouble with nomenclatures in personalized...
One man's *1 is another man's *13? Trouble with nomenclatures in personalized...One man's *1 is another man's *13? Trouble with nomenclatures in personalized...
One man's *1 is another man's *13? Trouble with nomenclatures in personalized...
Matthias Samwald
 
6 Worlds Collide
6 Worlds Collide6 Worlds Collide
6 Worlds Collide
Matthias Samwald
 
The FindMeEvidence project: An open-source, mobile-friendly search engine for...
The FindMeEvidence project: An open-source, mobile-friendly search engine for...The FindMeEvidence project: An open-source, mobile-friendly search engine for...
The FindMeEvidence project: An open-source, mobile-friendly search engine for...
Matthias Samwald
 
The Medication Safety Code initiative: Towards a global IT system for persona...
The Medication Safety Code initiative: Towards a global IT system for persona...The Medication Safety Code initiative: Towards a global IT system for persona...
The Medication Safety Code initiative: Towards a global IT system for persona...
Matthias Samwald
 
Samwald ore 2014
Samwald   ore 2014Samwald   ore 2014
Samwald ore 2014
Matthias Samwald
 
Hcls call september 2013 clinical pharmacogenomics
Hcls call september 2013   clinical pharmacogenomicsHcls call september 2013   clinical pharmacogenomics
Hcls call september 2013 clinical pharmacogenomics
Matthias Samwald
 
Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...
Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...
Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...
Matthias Samwald
 
Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...
Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...
Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...
Matthias Samwald
 
Samwald cshals2013
Samwald cshals2013Samwald cshals2013
Samwald cshals2013
Matthias Samwald
 

Mehr von Matthias Samwald (12)

Towards Transformative Artificial Intelligence in Life Science and Health Care
Towards Transformative Artificial Intelligence in Life Science and Health CareTowards Transformative Artificial Intelligence in Life Science and Health Care
Towards Transformative Artificial Intelligence in Life Science and Health Care
 
Bridging theory and practice: Clinical decision support systems for personali...
Bridging theory and practice: Clinical decision support systems for personali...Bridging theory and practice: Clinical decision support systems for personali...
Bridging theory and practice: Clinical decision support systems for personali...
 
CRISPR as a potential tool for malaria eradication
CRISPR as a potential tool for malaria eradicationCRISPR as a potential tool for malaria eradication
CRISPR as a potential tool for malaria eradication
 
One man's *1 is another man's *13? Trouble with nomenclatures in personalized...
One man's *1 is another man's *13? Trouble with nomenclatures in personalized...One man's *1 is another man's *13? Trouble with nomenclatures in personalized...
One man's *1 is another man's *13? Trouble with nomenclatures in personalized...
 
6 Worlds Collide
6 Worlds Collide6 Worlds Collide
6 Worlds Collide
 
The FindMeEvidence project: An open-source, mobile-friendly search engine for...
The FindMeEvidence project: An open-source, mobile-friendly search engine for...The FindMeEvidence project: An open-source, mobile-friendly search engine for...
The FindMeEvidence project: An open-source, mobile-friendly search engine for...
 
The Medication Safety Code initiative: Towards a global IT system for persona...
The Medication Safety Code initiative: Towards a global IT system for persona...The Medication Safety Code initiative: Towards a global IT system for persona...
The Medication Safety Code initiative: Towards a global IT system for persona...
 
Samwald ore 2014
Samwald   ore 2014Samwald   ore 2014
Samwald ore 2014
 
Hcls call september 2013 clinical pharmacogenomics
Hcls call september 2013   clinical pharmacogenomicsHcls call september 2013   clinical pharmacogenomics
Hcls call september 2013 clinical pharmacogenomics
 
Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...
Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...
Medinfo2013 - An RDF/OWL Knowledge Base for Query Answering and Decision Supp...
 
Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...
Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...
Genomic CDS: an example of a complex ontology for pharmacogenetics and clinic...
 
Samwald cshals2013
Samwald cshals2013Samwald cshals2013
Samwald cshals2013
 

VO Taxonomie und Ontologie (SS 2016)

  • 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.
  • 8. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Das semiotische Dreieck - Beispiel
  • 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
  • 10. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie “Now... that should clear up a few things around here”
  • 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
  • 14. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Grundlagen: Abbildung Wort ↔ Begriff Polysemie/Homonymie (1:n) Synonymie (m:1) Monosemie (1:1) Wort:Begriff (m:n)
  • 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.
  • 21. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Wörter und Übersetzung (2) • Wortfelder im Englischen und Französischen und ihre komplexe Überlappung
  • 22. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Grundlagen: Wörter und Begriffe (2) warten anhalten pausieren halten behalten behaupten argumentieren aufheben verwahrenbewahren speichern arretieren befestigen pflegen instand halten aufwarten bedienen abwarten erwarten
  • 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).
  • 24. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Grundlagen: Die Synsets des Beispiels 1. anhalten halten pausieren warten 2. abwarten erwarten warten 3. instand halten pflegen warten 4. aufwarten bedienen warten 5. arretieren befestigen halten 6. argumentieren behaupten halten 7. behaupten behalten halten 8. aufheben halten verwahren 9. bewahren halten speichern
  • 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
  • 31. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Beispiel: Säugetiere P la z e n t a S ä u g e t ie r e M ilc h z it z e n P la z e n t a t ie r e B e u t e lt ie r e K lo a k e n t ie r e
  • 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
  • 36. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Beispiel - Hierarchie Tier Vogel Säugetier Fisch Sittich Spatz Huhn Schaf Katze Reh Karpfen Goldfisch Hai
  • 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!
  • 38. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Beispiel - Heterarchie Tier Vogel Säugetier Fisch Nutztier Haustier Wildtier Sittich Spatz Huhn Schaf Katze Reh Karpfen Goldfisch Hai
  • 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“.
  • 44. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Baum der Natur und Logik (Raimundus Lullus)
  • 45. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Die 10 Aristotelischen Kategorien in der Darstellung von Franz Brentano
  • 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)
  • 50. InstitutfürArtificialIntelligence andDecisionSupport Was ist eine Ontologie? (2) Ontologie ist eine formale Repräsentation der Realität VO: Taxonomie und Ontologie nach: Barry Smith
  • 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
  • 75. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Description Logics: Class/Concept Constructors • C is a concept (class); • P is a role (property); • x is an individual name
  • 76. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Description Logics: Ontology Axioms • OWL ontology ≡ DL KB (Tbox + 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.
  • 83. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Classes • The following examples illustrate reasoning with classes and class definitions. • We show examples of • Inferred Subsumptions • Inconsistency
  • 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
  • 91. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Individuals • The following examples illustrate reasoning with individuals. • We look at why particular individuals can be inferred to be members of particular classes.
  • 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
  • 103. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie SNOMED • Over 400,000 concepts
  • 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
  • 107. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie • Editoren/Umgebungen • Protégé, Web Protégé, TopBraid, … Werkzeuge und Infrastruktur
  • 108. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie • Editoren/Umgebungen • Protégé, TopBraid Composer • Reasoning-Systeme • Pellet, HermiT, ELK, TrOWL, Konclude Werkzeuge und Infrastruktur
  • 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
  • 113. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Ontology-Development Process In this tutorial: determine scope consider reuse enumerate terms define classes define properties define constraints create instances In reality - an iterative process: determine scope consider reuse enumerate terms define classes consider reuse enumerate terms define classes define properties create instances define classes define properties define constraints create instances define classes consider reuse define properties define constraints create instances
  • 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)
  • 120. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie What to Reuse? (II) • General ontologies • DMOZ (www.dmoz.org) • WordNet (www.cogsci.princeton.edu/~wn/) • Domain-specific ontologies • UMLS Semantic Net • GO (Gene Ontology) (www.geneontology.org)
  • 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
  • 126. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Levels in the Hierarchy Middle level Top level Bottom level
  • 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)
  • 131. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Slots for the Class Wine (in Protégé-2000)
  • 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
  • 134. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Facets for Slots at the Wine Class
  • 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
  • 142. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Going Deeper • Breadth-first coverage determine scope consider reuse enumerate terms define classes define properties define constraints create instances  Depth-first coverage determine scope consider reuse enumerate terms define classes define properties define constraints create instances
  • 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?”
  • 144. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Multiple Inheritance • A class can have more than one superclass • A subclass inherits slots and facet restrictions from all the parents • Different systems resolve conflicts differently
  • 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
  • 146. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Avoiding Class Cycles • Danger of multiple inheritance: cycles in the class hierarchy • Classes A, B, and C have equivalent sets of instances • By many definitions, A, B, and C are thus equivalent
  • 147. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Siblings in a Class Hierarchy • All the siblings in the class hierarchy must be at the same level of generality • Compare to section and subsections in a book
  • 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
  • 149. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie The Perfect Family Size (II) • If a class has more than a dozen children, additional subcategories may be necessary • However, if no natural classification exists, the long list may be more natural
  • 150. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Single and Plural Class Names • A “wine” is not a kind-of “wines” • A wine is an instance of the class Wines • Class names should be either • all singular • all pluralClass Instance instance-of
  • 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
  • 156. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Inverse Slots Maker and Producer are inverse slots
  • 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
  • 169. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Medizinische Terminologie: Anwendungsbereiche • Übermittlung und Dokumentation von medizinischen Sachverhalten • Ärztliche Praxis • Überweisungen • Arztberichte • Arzt-Patienten-Gespräche • Medizinische Wissenschaft • Publikationen • Vorträge, Präsentationen • Medizinstudium • Lehrveranstaltungen • Praktika • Lehrbücher
  • 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)
  • 178. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Richtungs- und Lagebezeichnungen Lageebenen Sagittalebene/ Sagittalachse Horizontalebene/ Transversalachse Frontalebene/ Longitudinalachse
  • 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
  • 180. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Musculus extensor carpi radialis longus Tendo musculi extensoris carpi radialis longi Medizinische Terminologie: Beispiel
  • 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
  • 187. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie Nomenklatur - Klassifikation Ontologie Notation für Klassen Identifikations -schlüssel Notation für Objekte Klassifikatio n Nomenklatur Klassifikations -schlüssel
  • 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
  • 205. InstitutfürArtificialIntelligence andDecisionSupport VO: Taxonomie und Ontologie TNM –Gruppierung der Stadien • Stadium I T1 N0 M0 T2 N0 M0 • Stadium II T1 N1 M0 T2 N1 M0 • Stadium III T1 N2 M0 T2 N2 M0 T3 N0-2 M0 • Stadium IV T1-4 N3 M0 T4 N0-3 M0 T1-4 N0-3 M1
  • 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

  1. NL annotations (possibly with rendering annotation) already associated with images (only way google can find them) Augment NL with semantic annotation.
  2. 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.
  3. 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.
  4. Banana split is a kind of fruit sundae?
  5. Graphic showing protein functional domains (sequences of amino acids?); the identifying characteristics of different proteins.
  6. Graphic showing protein functional domains (sequences of amino acids?); the identifying characteristics of different proteins.