Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

LeukoBIAS: Analysis, mitigation, and auditing of bias in foundation model-based leukemia detection from routine diagnostic blood smears

Description du projet

Analyser et atténuer les biais cachés dans les diagnostics de leucémie basés sur l’IA

Malgré leurs performances impressionnantes, les outils d’IA utilisés pour le diagnostic de la leucémie peuvent comporter des biais cachés fondés sur l’âge, le sexe ou d’autres facteurs liés au patient. Ceux-ci peuvent compromettre l’exactitude et l’équité. De plus, les risques restent mal compris, en particulier dans les modèles de fondation puissants formés sur de vastes ensembles de données d’images. Le projet LeukoBIAS, financé par le CER, développera des méthodes pour détecter et réduire les biais dans les diagnostics de cancer du sang pilotés par l’IA. En recourant aux données de plus de 6 000 patients en situation réelle, le projet appliquera des techniques avancées d’apprentissage automatique pour découvrir et corriger les comportements inéquitables des modèles. Au-delà de l’amélioration du diagnostic de la leucémie, LeukoBIAS vise également à influencer la réglementation et la modularité de l’IA dans d’autres domaines médicaux, en s’alignant sur les efforts de l’UE en faveur d’une IA digne de confiance et équitable dans les soins de santé.

Objectif

Foundation models have revolutionized image processing in healthcare, offering robust performance across various tasks without task-specific training. However, potential biases in these models, especially when applied to critical medical diagnostics such as leukemia detection, remain largely unexplored. LeukoBIAS aims to address this crucial gap by developing a framework for analyzing and mitigating bias in foundation model-based leukemia detection algorithms.
Building on my previous work in AI-driven leukemia diagnostics, we will leverage a unique real-world dataset of over 6000 patients from my long-time industry partner, the Munich Leukemia Laboratory, to investigate biases related to sex, age, and other patient characteristics. Our approach combines advanced machine learning techniques, including multiple instance learning and attention mechanisms, with novel bias detection and mitigation strategies.
The project consists of three work packages: (i) bias analysis in foundation model-based leukemia diagnostics; (ii) development of bias mitigation techniques for model fine-tuning; and (iii) exploration of intellectual property and commercialization opportunities for bias auditing.
The innovative potential of the project extends beyond leukemia diagnostics. We will thus explore the scalability of our approach to other modalities and conduct a comprehensive market analysis to identify potential industry partners. LeukoBIAS will contribute to the scientific understanding of bias in medical AI and pave the way for more equitable and reliable AI-driven diagnostic tools. By addressing the requirements outlined in the EU Artificial Intelligence Act, LeukoBIAS is poised to have a significant impact on the development and deployment of trustworthy AI in healthcare. By providing a framework for bias analysis and mitigation, this project will contribute to more accurate diagnoses, improved patient outcomes, and accelerated innovation in AI-driven medicine.

Champ scientifique (EuroSciVoc)

Programme(s)

Thème(s)

Régime de financement

HORIZON-ERC-POC - HORIZON ERC Proof of Concept Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) ERC-2024-POC

Voir tous les projets financés au titre de cet appel

Institution d’accueil

HELMHOLTZ ZENTRUM MUENCHEN DEUTSCHES FORSCHUNGSZENTRUM FUER GESUNDHEIT UND UMWELT GMBH
Contribution nette de l'UE
€ 150 000,00
Coût total
Aucune donnée

Bénéficiaires (1)