Informacja o dofinansowaniu ze środków budżetu państwa lub państwowego funduszu celowego
Projekt finansowany ze środków budżetu państwa.
Nazwa programu lub funduszu
„DOKTORAT WDROŻENIOWY II - SZTUCZNA INTELIGENCJA”
Nazwa projektu
Doktorat wdrożeniowy II – sztuczna inteligencja Szkoły Doktorskiej Nauk Ścisłych i Przyrodniczych UJ, 2020
Kierownik projektu
prof. dr hab. Jacek Tabor
Wartość dofinansowania
309 522,34 PLN
Całkowity koszt inwestycji
309 522,34 PLN
Krótki opis projektu
Celem projektu jest rozwinięcie technik analizy obrazów biomedycznych uzyskanych przy pomocy technologii High Content Screening (HCS). W obrębie analizy takich zdjęć biomedycznych występuje szereg wyzwań tj. relatywnie niewielka ilość danych treningowych i subtelne różnice pomiędzy klasami danych (pomiędzy zmianami fenotypowymi komórek spowodowanymi działaniem związków chemicznych). Ponadto, w przypadku danych biomedycznych, bardzo ważnym aspektem jest interpretowalność i wyjaśnialność wyniku automatycznej analizy, m.in. ze względu na obowiązujące prawo UE zobowiązujące systemy wspierające decyzję do bycia samo-wyjaśnialnymi. Dlatego bardzo ważne jest, aby opracowane algorytmy mogły zostać użyte na danych pochodzących z różnych badań i ośrodków, aby zneutralizować różnice wynikające z innej grubości cięcia tkanki czy jej ułożenia.
Wymienione wyzwania stanowią problem badawczy, który może zostać rozwiązany poprzez:
- Wykorzystanie algorytmów opartych o głębokie sieci neuronowe;
- Opracowanie metod standaryzacji analizowanych danych medycznych;
- Wykorzystanie metod XAI (Explainable Artificial Intelligence) do wyjaśnienia i uwiarygodnienia opracowanych modeli;
- Wykorzystanie metod transferu wiedzy i adaptacji domenowej do badania materiału pochodzącego z różnych części ciała.
Planowane rezultaty:
- Uzyskanie reprezentacji badanych obrazów medycznych, która jest odporna na różnice w danych pochodzących z różnych badań i ośrodków;
- Przygotowanie procedury badania jakości obrazów;
- Przygotowanie procedury identyfikacji obrazów negatywnie wpływających na proces uczenia się algorytmu (np. zawierających artefakty);
- Opracowanie metod detekcji zmian występujących na poziomie komórkowym odpowiedzialnych za rozwój choroby;
- Opracowanie metod rozpoznania i kwantyfikacji cech tkanki, tj. typ czy rozmiar komórek;
- Opracowanie metody wyznaczającej obszary zainteresowania ROI (z ang. Region of Interest) zawierające zmiany patologiczne często występujące na niewielkim obszarze tkanki.