Ett problem är robusthet i noggrannheten. En algoritm som tränats på sjukhus A kommer med största sannolikhet inte att fungera på data från sjukhus B. I många fall är bristen på exakthet så stor att algoritmen är obrukbar. För att uppnå resultat som kan generaliseras krävs mycket data från flera olika håll för inlärningen. Att få tillgång till tillförlitliga data av god kvalitet är här en utmaning.
Forskningens mål är att skapa större förståelse för de krav som behöver ställas på data för inlärning. Detta för att kunna styra inlärningen bättre, men också för att förbättra generaliserbarheten även utifrån en liten mängd data. Vi kommer att undersöka detta med hjälp av förstärkta data, simuleringar och generering av data med hjälp av nätverksbaserade system för inlärning - generative adversarial network, GAN - med mera.
En annan utmaning är att överbrygga klyftan från att utveckla algoritmer för en specifik miljö till att skapa och underhålla ett brett utbud av maskininlärningsalgoritmer. Det kommer att bli nödvändigt att återanvända delar av de algoritmer som utvecklas och används. Modularisering och standardisering av komponenter kommer också att undersökas, särskilt med inriktning på data för inlärning och från utbildade modeller. Metoder som utvecklats i samband med forskningen kring generaliserbarhet kommer även att kunna användas för detta.
Visualisering av hur HE-färgade vävnadsbilder skiljer sig när de härstammar från olika medicinska center. Bilden visar bilder från fem olika center, som idealt bör vara lika, men där de tydligt skiljer sig åt.
Forskningens mål är att skapa större förståelse för de krav som behöver ställas på data för inlärning. Detta för att kunna styra inlärningen bättre, men också för att förbättra generaliserbarheten även utifrån en liten mängd data. Vi kommer att undersöka detta med hjälp av förstärkta data, simuleringar och generering av data med hjälp av nätverksbaserade system för inlärning - generative adversarial network, GAN - med mera.
En annan utmaning är att överbrygga klyftan från att utveckla algoritmer för en specifik miljö till att skapa och underhålla ett brett utbud av maskininlärningsalgoritmer. Det kommer att bli nödvändigt att återanvända delar av de algoritmer som utvecklas och används. Modularisering och standardisering av komponenter kommer också att undersökas, särskilt med inriktning på data för inlärning och från utbildade modeller. Metoder som utvecklats i samband med forskningen kring generaliserbarhet kommer även att kunna användas för detta.
