Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Interpretable Artificial Intelligence across Scales for Next-Generation Cancer Prognostics

Opis projektu

Wytłumaczalna sztuczna inteligencja do diagnozowania raka

Sztuczna inteligencja znalazła zastosowanie w patologii obliczeniowej, wspierając analizę próbek tkanek. Może to potencjalnie poprawić rokowanie w terapii nowotworów i wspierać decyzje dotyczące leczenia wykraczające poza tradycyjne systemy klasyfikacji. Obecne metody napotykają jednak trudności w zapewnieniu przejrzystości wyników oraz w wyjaśnianiu wzorców rozumowania i czynników wpływających na predykcje. Zespół finansowanego przez ERBN projektu AIS-CaP dąży do udoskonalenia wyjaśnialności modeli poprzez opracowanie nowych metod uczenia maszynowego, które integrują globalne i lokalne informacje o obrazie. Metody te zostaną zweryfikowane przy użyciu jednego z największych na świecie zbiorów danych obrazów nowotworów. Zostaną one również połączone z danymi genetycznymi w celu odkrycia nowych biomarkerów. Zespół projektu udostępni społeczności naukowej wygenerowane narzędzia, aby przyspieszyć postępy w badaniach nad rakiem.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2021-STG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

STICHTING RADBOUD UNIVERSITAIR MEDISCH CENTRUM
Wkład UE netto
€ 1 494 810,00
Adres
GEERT GROOTEPLEIN 10 ZUID
6525 GA Nijmegen
Niderlandy
Region
Oost-Nederland Gelderland Arnhem/Nijmegen
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
€ 1 494 810,00

Beneficjenci (1)