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

A Foundation Model for Next-Generation Generalizable AI in Neuro-Radiology

Opis projektu

Sztuczna inteligencja w obrazowaniu mózgu

Radiologia może skorzystać na SI, jednak postępy utrudnia konieczność wykorzystania ogromnych zbiorów oznaczonych danych. Dodatkowo ograniczone są możliwości adaptacyjne konwencjonalnych narzędzi SI. Większość modeli nie radzi sobie z uogólnieniem na różne zadania lub populacje pacjentów, co utrudnia ich zastosowanie kliniczne. Mając to na uwadze, w ramach projektu finansowanego przez ERBN opracowany zostanie wizualny model fundamentalny, wytrenowany na ponad 200 000 skanów mózgu przy użyciu uczenia samonadzorowanego. Koncentrując się na neuroradiologii, model ten będzie wspierał szeroki zakres zastosowań, od klasyfikacji w ratownictwie medycznym po przewidywanie ryzyka demencji, przy użyciu minimalnych oznaczonych danych. Dzięki narzędziom open-source i szeroko zakrojonym szkoleniom projekt toruje drogę do bardziej elastycznej, dokładnej i dostępnej SI w obrazowaniu medycznym.

Cel

Medical artificial intelligence (AI) holds immense promise for transforming radiology by introducing advanced diagnostic capabilities. Yet, traditional AI models face challenges like extensive data annotation needs and are task-specific with limited generalizability to different scenarios. This problem of robust and label-efficient generalization continues to be a key translational challenge for medical AI models and has prevented their broad uptake in real world healthcare settings. AI-Next will build on the recent advent of foundation models, providing a unique opportunity to rethink the development of medical AI and overcome the challenges of traditional AI models. At the core of AI-Next stands the development of a state-of-the-art visual foundation model (VFM) that learns generalizable representations from unlabelled radiology scans and provides a basis for label-efficient model adaptation in several applications. The VFM will focus on neuro-radiology and be trained with data at unprecedented scale including >200,000 brain computed tomography and magnetic resonance imaging scans from population-based and disease specific cohorts, leveraging self-supervised learning. The VFM will be adapted with a limited set of explicit labels to a range of tasks with clinical significance. This includes the screening and triage of scans for emergency findings, longitudinal disease activity assessment, risk prediction of dementia, forecasting of disease evolution and finally automated radiology reporting. Moreover, the VFM will be employed for image processing tasks, including generating super-resolution images to enhance diagnostic capabilities. Overall, AI-Next will represent a crucial step towards more generalisable, accurate and label-efficient AI in neuro-radiology, offering significant potential for improving diagnostics, clinical decision-making as well as patient outcomes, and its open-source innovations will serve as a blueprint for the broader field of radiology.

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-2024-COG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

UNIVERSITATSKLINIKUM BONN
Wkład UE netto
€ 2 268 799,59
Koszt całkowity
€ 2 268 799,59

Beneficjenci (2)