NYHET I sin doktorsavhandling har Disi Lin utvecklat nya maskininlärningsmetoder som tar hänsyn till strukturer i medicinska bilder och visar hur säkra resultaten är. – Metoderna kan ge mer tillförlitliga analyser och har bland annat testats för att identifiera förändringar i hjärnan kopplade till Alzheimers sjukdom, säger Disi Lin, doktorand vid institutionen för datavetenskap, som nu försvarar sitt arbete.
Med hjälp av avancerade matematiska och statistiska metoder har Disi Lin utvecklat maskininlärningsmodeller som bättre tar till vara kunskap om människans anatomi och samtidigt visar hur säkra eller osäkra deras bedömningar är.
BildHans KarlssonMaskininlärning gör det möjligt för datorer att lära sig av data och sedan använda den kunskapen för att göra förutsägelser eller fatta beslut. Inom hälso- och sjukvården används maskininlärning för att stödja uppgifter som sjukdomsdiagnos, förutsägelse av sjukdomsförlopp, behandlingsplanering och patientövervakning.
– Att tillämpa maskininlärning på medicinska bilder är särskilt utmanande eftersom datamängderna ofta är begränsade, samtidigt som modellerna måste vara både tillförlitliga och begripliga att tolka, säger Disi Lin.
I sin doktorsavhandling har Disi Lin arbetat med att möta dessa utmaningar genom att integrera tidigare kunskap i maskininlärningsmodellerna. Detta innefattar användning av matematisk morfologi, en teknik som kan användas för att få de inlärda mönstren att bilda meningsfulla strukturer.
Ett av de tillämpningsområden som studeras i avhandlingen är klassificeringen av Alzheimers sjukdom.
– Alzheimers sjukdom är förknippad med gradvisa strukturella förändringar i hjärnan, bland annat minskad hjärnvolym i områden som är viktiga för minne och kognition, säger Disi Lin.
Hennes forskning kombinerar klassisk bildmatematik med modern maskininlärning, vilket resulterar i modeller som mer effektivt kan identifiera sammanhängande och anatomiskt relevanta områden.
– Det gör det lättare att koppla de mönster som modellen identifierar till sjukdomsrelaterade förändringar och ökar tilltron till bedömningen, säger Disi Lin.
Som en del av sin avhandling har hon utvecklat metoder som tar hänsyn till att närliggande områden i en MR-bild ofta består av samma typ av vävnad. Detta minskar påverkan av slumpmässiga variationer och gör resultaten mer stabila och tillförlitliga.
– Jag har också utvecklat metoder som inte bara ger en bra prognos utan även visar hur säker modellen är på sin bedömning. Det gör det möjligt för kliniker att se vilka delar av analysen som bygger på robusta beräkningar och vilka som är mer osäkra, säger Disi Lin.
Disi Lin har integrerat tidigare kunskap om bilders struktur i maskininlärningsmodeller för att hjälpa datorer att identifiera sammanhängande och överensstämmande områden. Istället för att behandla pixlarna var för sig kan hennes AI-modeller fokusera på de mest relevanta delarna av hjärnan, vilket gör resultaten mer sammanhängande, tolkbara och medicinskt meningsfulla.
– Dessa metoder kan också visa hur säkra förutsägelserna är. Det är viktigt inom hälso- och sjukvården, eftersom det inte räcker med att få ett resultat. Klinikerna behöver också veta hur tillförlitligt det resultatet är, säger Disi Lin.
Läs avhandlingen här: Structure-Aware Machine Learning for Medical Image Analysis.
Disi Lin försvarar sin avhandling Fredag den 4 September. Huvudhandledare: Tommy Löfstedt, docent och universitetslektor i datavetenskap.
