Opis projektu
Sprawniejsze wdrażanie SI do praktyki klinicznej
Proces diagnozowania złożonych chorób wymaga wykonania wielu testów, w tym obrazowania medycznego. Technologie takie jak SI i uczenie maszynowe mogą go przyspieszyć, ale wymagają niezawodnych rozwiązań zaprojektowanych z myślą o ochronie zdrowia, które będą ściśle związane z praktyką kliniczną. Badacze z finansowanego ze środków UE projektu BioMedAI TWINNING opracują program szkoleń na potrzeby przetwarzania wrażliwych obrazów i danych klinicznych. Partnerzy projektu przygotują warsztaty i szkolenia wirtualne dla badaczy zajmujących się SI w celu opracowania metod opartych na wytłumaczalnej SI. Wyniki projektu mają pomóc w sprawniejszym wdrażaniu technologii SI do praktyki klinicznej, co przyniesie oczywiste korzyści pacjentom i przełoży się na ich dobrostan.
Cel
Increasing demand for sophisticated clinical diagnostics makes current diagnostic capacities insufficient. A potential solution lies in semi-automatic systems speeding up the diagnosis process. Artificial intelligence (AI) and machine learning seem to be very promising approaches to the automation of diagnostic systems. However, most academic AI systems are opaque black boxes that cannot be easily understood, tested and certified. Also, academic AI solutions are often hard to reproduce, and their evaluation is insufficiently connected with clinical practice. This motivates MU and MMCI to team with two advanced partners (AP), MUG and TUB, and establish a BioMedAI infrastructure allowing close cooperation of computer science and clinical experts to develop explainable trustworthy AI solutions. Both AP possess rich experience with AI solutions for healthcare. Namely, processing large amounts of sensitive image and clinical data, interactive machine learning methods with a human-in-the-loop, and validating AI methods for healthcare. The main body of the BioMedAI project concentrates on training computer science researchers at MU and clinical experts at MMCI in the development of explainable AI methods based on high-quality medical data and validated in a clinical setting. Concretely, we propose organizing thematic workshops, virtual training with hands-on experience in developing explainable AI tools, and two summer schools. One will be oriented towards basic research in explainable AI methods for image and clinical data processing, and the other one towards the FAIR management of sensitive medical data. Furthermore, the BioMedAI project will also increase the visibility and presence of the explainable AI research in healthcare at MU and MMCI by training a PR manager responsible for presenting the research to various stakeholders, and by training the existing project management staff at MU and MMCI in writing grant applications for projects in EU and elsewhere.
Dziedzina nauki
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-AG - HORIZON Action Grant Budget-BasedKoordynator
601 77 Brno
Czechy