Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Interpretable Artificial Intelligence across Scales for Next-Generation Cancer Prognostics

Descrizione del progetto

Intelligenza artificiale spiegabile per la diagnosi del cancro

L’intelligenza artificiale è entrata nel mondo della patologia computazionale, assistendo nell’analisi dei campioni di tessuto: questa soluzione dispone del potenziale per migliorare la prognosi del cancro e guidare le decisioni terapeutiche al di là dei sistemi di classificazione tradizionali. Ciononostante, i metodi attuali faticano a fornire risultati trasparenti e a spiegare i modelli di ragionamento, nonché quali caratteristiche influenzano la previsione. Il progetto AIS-CaP, finanziato dal CER, mira a migliorare la spiegabilità dei modelli sviluppando nuovi approcci di apprendimento automatico che integrino le informazioni globali e locali delle immagini. I metodi saranno convalidati utilizzando uno dei più grandi set di immagini del cancro al mondo, mentre saranno inoltre collegati ai dati genetici per scoprire nuovi biomarcatori. Il team condividerà apertamente gli strumenti generati per accelerare i progressi nella ricerca sul cancro.

Obiettivo

Computation pathology has the potential to revolutionize cancer care and research, specifically through improving assessment of patient prognosis and treatment selection by applying advanced machine learning methods to digitized tissue sections, i.e. whole-slide images (WSIs). This will allow us to replace the current state-of-the-art of human-developed cancer grading systems. However, the field is currently hindered by significant knowledge gaps: we do not know how to effectively leverage both global and local information in WSIs, how to identify pan-cancer prognostic features, and how to make machine learning models explainable and interpretable. In this project, I will address these key knowledge gaps by building on the novel stochastic streaming gradient descent developed in my group. Specifically, I will integrate innovative multi-task and cross-task learning algorithms with SSGD. Furthermore, I will leverage the latest advances in self-supervision, self-attention and natural language processing to endow deep neural networks with unprecedented transparency and explainability. Last, the project will validate our developed methodology in the largest dataset of oncological WSIs in the world, and, for the first time, identify links between morphological prognostic features and genetic features. By publicly releasing all developed tools and data, the proposed project will have a scientific multiplier effect for the fields of oncology, computational pathology and machine learning. Specifically, the derived cancer-specific and pan-cancer biomarkers can be leveraged in clinical care and cancer research, the enhanced SSGD method for other tasks in computational pathology and our novel multi-task and explainability algorithms can impact other research areas in machine learning, such as remote sensing and self-driving cars.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2021-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

STICHTING RADBOUD UNIVERSITAIR MEDISCH CENTRUM
Contributo netto dell'UE
€ 1 494 810,00
Indirizzo
GEERT GROOTEPLEIN 10 ZUID
6525 GA Nijmegen
Paesi Bassi
Regione
Oost-Nederland Gelderland Arnhem/Nijmegen
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 494 810,00

Beneficiari (1)