Project R-10168

Verklaarbaar machinaal leren, modellen voor predictie, en causale besluitvorming, toegepast op medische data. (Onderzoek)

Dit onderzoek bestaat uit het toepassen van machine learning op medische data, met een focus op betrouwbare en verklaarbare machine learning methoden. We onderzoeken hoe we longitudinale methoden kunnen verbeteren om de zorg voor mensen met multiple sclerose te optimaliseren. We onderzoeken voorspellende modellen, die de patiënt kunnen vertellen of hij of zij na een bepaalde periode gaat achteruit gaan. Dit helpt de patiënten bij het plannen van hun leven. We richten ons op hoe goed gekalibreerd de voorspellingen over de toekomstige ziektetoestand zijn. In plaats van te voorspellen of de patiënt vooruitgang boekt (ja of nee), proberen we de kans op achteruitgang te corrigeren. Gezien de complexiteit van de ziekte is dit een relevantere hoeveelheid om te modelleren. We kijken ook naar causale inferentiemethoden, die kunnen worden gebruikt om het toegediende medicijn te optimaliseren. Een groot aantal verklaringsmethoden en consistentie metrieken wordt gebenchmarked op een grote verscheidenheid aan beelddatasets, met een speciale focus op medische beelden (OCT, MRI,…). We hebben een conferentieartikel ingediend over het kalibreren van de output van modellen die hersentumoren segmenteren op medische beelden. Een goed gekalibreerd model segmenteert de tumor niet alleen correct, maar geeft ook een goede schatting van hoe zeker het is over zijn segmentatie. We werken aan EEG-tijdreeksen om epileptische aanvallen te detecteren. Geautomatiseerde detectie van aanvallen zou verstrekkende gevolgen hebben voor de behandeling van patiënten met epilepsie. We gebruiken verschillende methoden om een betrouwbaarheidsinschatting te krijgen van de classificator zijn beslissing. We verwijzen de minst zekere EEG-segmenten naar een menselijke expert. Het uiteindelijke doel is om de toepassing van deze methoden voor klinisch gebruik te versnellen. Omdat algoritmen niet goed genoeg zijn bij het classificeren van alle gegevens, is een volledige vervanging van een menselijke expert niet mogelijk. We willen echter laten zien dat het in belangrijke mate geautomatiseerd kan worden, zodat het toch zinvol is om deze algoritmen te implementeren voor klinisch gebruik.

01 januari 2019 - 31 december 2022