Interaktion med autonoma agenter för medicinskt beslutsstöd

Målet för forskningen är att studera interaktionen mellan människor och datorer genom att utveckla en miljö som bidrar till ett effektivt samarbete mellan klinikern, människan, och den lärande maskinen.
De senaste årens framsteg inom maskininlärning har inneburit en dramatisk ökning av möjligheten att använda artificiell intelligens för inlärning med hjälp av exempel. Trots de stora framgångarna och många lyckade forskningsprojekt används de algoritmer som finns för maskininlärning av medicinska diagnoser i mycket liten utsträckning inom dagens hälso- och sjukvård.

En utmaning här är att algoritmer för maskininlärning med mindre än 100 procents noggrannhet kräver att den kliniskt ansvarige har möjlighet och kunskap att bedöma värdet av resultatet. Och även kunna väga in kunskapen i den process som leder fram till en diagnos.

Interaktionen kan ses som en process som utvecklas över tid, något som möjliggör ett ömsesidigt och kontinuerligt lärande. Det ger också möjlighet att studera maskininlärning som en del i en designprocess, det ger en möjlighet att utforskar gränserna, omfattningen och karaktären på det konstruktionsutrymme som står till buds.

Träning av ett maskininlärningssystem
Verktyg för att träna ett maskininlärningssystem i att klassificera vävnader. Konstruktionen gör att det går snabbt att förfina modellen och återkopplingen sker i realtid. Martin Lindvall
En prototyp för att diagnosticera en tumör
En prototyp för att diagnosticera en tumör inom ett visst område. Förutsägelsen presenteras i ett symmetriskt system som innebär att det direkt går att påverka både algoritmens resultat och träningen av den underliggande modellen. Martin Lindvall
interaktivt verktyg som kan assistera vid diagnos av misstänkta tumörer i lymfsystemet
Upprepad förfining av visningen vid utvecklingen av ett interaktivt verktyg som kan assistera vid diagnos av misstänkta tumörer i lymfsystemet. (lymphnode adenocarcinomas?). Den medicinska expertisen använder här resultatet från den preliminära modellen för att bedöma om de egna noteringarna är korrekta eller felaktiga. Martin Lindvall

Forskare

Externa samarbetspartners

Sectra AB, Region Östergötland, Region Gävleborg, University of Leeds

MIT-forskning inom WASP