91视频

Idag n盲rmar sig datorsystemen niv氓n hos m盲nniskor f枚r vissa v盲ldefinierade uppgifter i patologi. Ett exempel 盲r r盲kningen av mitoser f枚r gradering av br枚stcancer och detektering av lymfk枚rtelmetastaser f枚r att avg枚ra tum枚rstadium.

Min forskning fokuserar p氓 utveckling av s氓dana 'deep learning'-algoritmer.

Syftet 盲r tv氓faldigt:

1. Att st枚dja patologernas arbete genom att 枚ka effektiviteten och minska risken f枚r p氓verkan av observat枚rens egna f枚rutfattade meningar (observer bias).
2. Att identifiera potentiella nya (prognostiska och prediktiva) biomark枚rer f枚r att ta fram en individuell behandling.

F枚r att kunna n氓 dessa m氓l finns det fortfarande ett antal utmaningar kvar att l枚sa. En viktig f枚ruts盲ttning f枚r utveckling av 'deep learning'-algoritmer 盲r tillg盲ngligheten av data (b氓de av h枚g kvalitet och i stor m盲ngd). En stor del av forskningen 盲r d盲rf枚r inriktad p氓 att etablera samarbeten, f枚rv盲rva kliniska data s氓v盲l som m盲nskliga v盲vnadsprover och arbeta med expertpatologer runt om i v盲rlden.

D盲refter kr盲vs forskning om olika 'deep learning'-strategier f枚r att utveckla de mest optimala modellerna.

Slutligen m氓ste utvecklade modeller valideras i rutinm盲ssig klinisk praxis f枚r att bevisa s盲kerhet och anv盲ndbarhet.

Min forskning syftar till att fokusera p氓 alla dessa olika aspekter, med det slutliga m氓let att f枚rb盲ttra cancerdiagnostik och prognoser.