Opis projektu
Odnowione diagnostyczne modele predykcyjne choroby serca
Około połowa zgonów odnotowywanych każdego roku w Europie wiąże się z chorobą sercowo-naczyniową. Rozwój nowej generacji głębokich sieci neuronowych w ostatnich latach przyczynił się znacząco do zwiększenia dokładności predykcyjnej, poprawiając tym samym precyzję oceny ryzyka w przypadku stawiania diagnozy na wczesnym etapie rozwoju choroby. Niestety nie znaleziono jeszcze sposobu zastosowania tych narzędzi w praktyce klinicznej. Twórcy unijnego projektu UNCARIA zamierzają poprawić zdolności predykcyjne, wykorzystując ugruntowany stopień zaufania. Stosowane obecnie modele są w dużej mierze pozbawione tej cechy, co ogranicza możliwość ich zastosowania klinicznego. Obecny projekt pomoże głębokim sieciom neuronowym w opracowywaniu precyzyjnych prognoz diagnostycznych, a także w modelowaniu popełnianych przez nie błędów i rozpoznawaniu takich błędów.
Cel
Cardiovascular diseases account for nearly 45% of all deaths in Europe, with a yearly cost to the EU economy of €210 billions. The emergence of a new generation of deep neural networks (DNNs), powered by higher computing capabilities and the availability of large amounts of data, has enabled unprecedented predictive accuracy, bringing the promise of improving risk assessment and early diagnosis to the field of computational cardiac image understanding. Unfortunately, clinical translation of these tools has not been effectively accomplished yet. A key reason is the black-box nature of these models: through the observation of large-scale annotated data, DNNs can build rich, complex decision boundaries in the image space, but the sequence of mathematical operations leading to such decisions is not readily interpretable by humans.
The goal of this project is to open this black-box in a specific direction: building in these models the ability of understanding when they deliver a prediction with a well-founded confidence degree, and when a prediction is reached based only on local statistical regularities of training data and may not be reliable. Current models largely lack this ability, and this undermines their potential for clinical adoption. This project revolves around a fundamental idea: redefining the conventional way of training DNNs so that they can not only produce accurate diagnostic predictions but also model their own errors and have an awareness of them.
This proposal involves the transfer of the candidate to a worldwide renowned computer vision group, with a secondment in a top-tier medical research institution, followed by a returning stage in one of the most prestigious biomedical image analysis research groups within Europe. The proposed workplan is designed to train the candidate in both cutting-edge computer vision and clinical knowledge in the outgoing stage, maximizing potential for knowledge transfer to the European host during the incoming phase.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- nauki przyrodniczeinformatykasztuczna inteligencjarozpoznawanie obrazów
- medycyna i nauki o zdrowiumedycyna klinicznakardiologiachoroby układu krążenia
- nauki przyrodniczeinformatykasztuczna inteligencjainteligencja obliczeniowa
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
08002 Barcelona
Hiszpania