Lindblad, Lars Göran Joakim – Hierarchical Positive-Unlabeled Multiple Instance Learning for Data-Efficient Deep Learning in Computational Pathology

Bakgrund

Den snabba utvecklingen av artificiell intelligens (AI) möjliggör stora framsteg inom klinisk patologi och cancerdiagnostik. AI kan snabbt och objektivt analysera stora mängder prover, vilket skulle kunna ge tidigare och bättre diagnoser, personanpassade behandlingar och minskade kostnader i vården. Dock så kräver dagens AI-metoder stora mängder data och ett detaljerat facit som systemet kan lära sig ifrån. Problemet är att vi ofta inte har tillgång till ett detaljerat facit. Vi vet inte vilka celler i ett vävnadsprov som kommer att utvecklas till cancerceller, eller hur immunförsvaret kommer att reagera på en viss typ av behandling.

Beskrivning

Genom att utveckla effektiva och användbara metoder för att träna kraftfulla AI-modeller ifrån tillgängliga data kan vi ta fram verktyg som kan assistera patologer att snabbt och effektivt ställa en pålitlig diagnos eller fatta individanpassade beslut om vilken behandlingsform som är bäst lämpad för varje enskild patient. I projektet kommer vi att kombinera de senaste djupinlärningsteknikerna för att specifikt lösa problem inom digital patologi. Vi vill inte ersätta patologen, utan istället skapa användbara verktyg för att underlätta arbetet och öka patientnyttan.

Mål

Att utveckla metoder som möjliggör effektiv AI-träning utifrån i sjukvården tillgängliga data utan behov av kostsam och svår manuell annotering. Att utveckla tolkningsbara och lättillgängliga AI-verktyg som kan fungera som ett pålitligt beslutsstödssystem inom digital patologi. Genom tillämpning av våra metoder möjliggöra tidigare upptäckt av maligna förändringar i munhålan samt att bättre kunna avgöra vilken behandling som kommer att fungera för lungcancerpatienter, vilket i sin tur leder till räddade liv, minskade kostnader och bättre livskvalitet för patienterna.