91视频

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.

Externa samarbetspartners

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

Att samla in data från autonoma system spelar en nyckelroll för att förstå hur systemet fungerar och för att kunna säkerställa att det fungerar. Fundamentala utmaningar är här storleken, komplexiteten och den stora mängden data från olika håll som oavbrutet genereras in i systemet.

Detta är faktorer som måste tas hänsyn vid en snabb utvärdering eller för att kunna fatta ett informerat beslut. Utan att på något vis kunna reducera mängden data och få ett visuellt stöd blir detta i praktiken omöjligt.

Projektet ska ta fram metoder för att spåra, välja ut och visualisera mönster i data insamlad från autonoma system och som möjliggör informerade beslut. Projektet består av två delar, den första lägger den teoretiska grunden för att hitta och spåra mönster från olika datakällor, den andra delen fokuserar på att välja ut, visualisera och interagera med de resultat som kommer fram.

Mönsterigenkänning och spårning

Intressanta mönster kan ha olika former och strukturer och kan baseras på olika datakällor. Olika sätt att beskriva urvalet och spårningen av en stor variation av mönster kommer att undersökas. Det kan handla om variationer i geometrier, rotationer, översättningar, olika skalor eller variationer som beror på bakgrundsbrus eller brist på data.

Visualisering för analys och val av mönster

Olika typer av visualiseringar kan användas beroende på vilket område det handlar om. Visualiseringarna länkas sedan samman vilket möjliggör urval och analys av de olika intressanta mönster som framträder. När det är lämpligt kommer vi också att ta fram ett verktyg för skissning av mönster, ett verktyg som gör det möjligt att ändra och förfina definitionen av mönstren on-line.

Målet är att visualiseringen ska vara ett stöd vid analys av de utvalda mönstren, att utvecklingen ska kunna följas över tid och även visa förändringar i storlek och uttryck, samtidigt som kontexten behålls.