Fikk 12 millioner til bildetolking

Maskinlæringsgruppa ved UiT har fått 12 millioner kroner fra Norges forskningsråd til et  prosjekt på banebrytende grunnforskning innen maskinlæring. Prosjektet har spesielt fokus på analyser av medisinske bilder.

KRAV: Tolking av medisinskebilder krever forklarbare algoritmer forteller Michael Kampffmeyer. FOTO: MOSTPHOTOS.COM

– Vi i maskinlæringsgruppa ved UiT har fått tildelt et FRIPRO-prosjekt fra Norges forskningsråd. Bevilgningen er på 12 millioner kroner for prosjektet som har fått navnet Next Generation Explainable Medical Computer Vision (MedEx), forteller førsteamanuensis ved Institutt for fysikk og teknologi, Michael Kampffmeyer, som er leder av prosjektet. Forskningen er finansiert for en periode på fire år med oppstart i år.

Støtten er til et helt nytt og banebrytende prosjekt med fokus på grunnforskning på maskinlæring. 

VIKTIG FOR TOLKING: Førsteamanuensis Michael Kampffmeyer ved UiT er glad for forskningsrådets tildeling til prosjektet innen kunstig intelligens og tolking av bilder. FOTO: PRIVAT

Tolking av algoritmer

– Dette prosjektet skal flytte forskningsfronten i utvikling av tolkbare algoritmer som lærer fra lite annotert data med spesielt fokus på analyser av medisinske bilder. Samtidig vil prosjektet skape synergier til Visual Intelligence, som er UiTs nye senter for forskningsdrevet innovasjon, sier Kampffmeyer. 

Han forteller at «kunstig intelligens» og maskinlæring de siste årene har gjort store fremskritt og er noe de fleste av oss bruker på daglig basis.

– For eksempel som en del av språk- og ansikts-gjenkjenning på mobilen eller søkemotorer og oversettelsestjenester på nett. Fremskrittene har i stor grad vært begrenset til ikke-sikkerhetskritiske domener, men maskinlæring er nå på rask vei inn i nye domener, som for eksempel analyse av medisinske bilder, sier Kampffmeyer.

Viktige bildesvar

–  Maskinlæring for medisinske bilder stiller strengere krav om tolkbarheten til prediksjoner som modellene produserer, noe som krever nyskapninger innen maskinlæring. I tillegg har mye av den suksessfulle utviklingen i feltet vært avhengig av tilgang til store annoterte datasett som ofte ikke er tilgjengelig i det medisinske domenet. For å bruke maskinlæring for medisinsk bildeanalyse kreves det derfor grunnforskning innenfor disse områdene, noe dette prosjektet gir oss muligheten til å gjøre, forklarer Kampffmeyer. 

Et eksempel på hva man kan få ut av denne forskningen er blant annet forklarbare prediksjoner i bilder. 

– La oss si at vi har en modell som basert på et medisinsk bilde kan fortelle oss om en pasient har en tumor eller ikke. For at vi skal kunne stole på modellen, så holder det ikke bare med et ja eller nei, men det kreves også en forklaring på hva som får modellen til å konkludere med det ene eller det andre, påpeker Kampffmeyer.

Viktig for medisinsk dataanalyse

Kampffmeyer sier at maskinlæringsgruppa og prosjektets samarbeidspartnere de siste årene har ligget i front internasjonalt på forskning innen læring fra små datasett og tolkning av modellprediksjoner, med publikasjoner på høyeste nivå. 

– Dette er et ambisiøst “high risk - high gain”-prosjekt som angriper grunnleggende problemstillinger i maskinlæring og som gitt suksess vil ha en stor innvirkning på både maskinlæringsfeltet generelt og medisinsk dataanalyse spesielt, forteller Kampffmeyer.

 

Denne saken ble opprinnelig publisert på UiTs nettsider.

Av Magne Kveseth (UiT)
Publisert 6. jan. 2021 17:57 - Sist endret 6. jan. 2021 17:57