Disputas: Steven Alexander Hicks

Å bruke maskinlæring på problemer innen medisin er en raskt voksende trend i nesten alle områder av helsevesenet. 

Den enorme ytelsen som oppnås ved å bruke dyp læring på oppgaver som bilde- og tidsserieanalyse kan ha stor innvirkning på hvordan datamaskiner brukes på sykehus eller klinikker. 

Det er mye å vinne på å utvikle disse systemene, både monetære og samfunnsmessige, der dype nevrale nettverksbaserte modeller en dag kan ha ansvaret for å overvåke helsen vår. 

Til tross for det enorme ansvaret vi gir disse modellene, er tilnærmingen for å utvikle og evaluere disse metodene ofte ikke klar. 

Medisinsk kunstig intelligens (KI)-forskning (på engelsk AI) har vanligvis upresise metodebeskrivelser, private data, implementeringer med lukket kilde og ufullstendige evalueringer. 

Denne oppgaven studerer hvordan KI kan brukes på ulike områder innen medisin, hvor et primært fokus er å se på dagens åpenhet innen medisinsk KI-systemforskning, og har som mål å bidra til et mer åpent og offentlig forskningsmiljø. 

For å oppnå dette, samlet og publiserte vi flere medisinske datasett, utviklet flere KI-modeller i ulike medisinske domener, utførte et utvalg av forskjellige eksperimenter for å validere de innsamlede datasettene, organiserte mange konkurranser om medisinske KI-applikasjoner og undersøkte adekvate modellevalueringsmetoder. 

Arbeidet ble utført på tvers av fire felt av medisin for å få en grundig forståelse av hvordan transparent KI kan brukes på ulike medisinske domener, som inkluderer kardiologi, assistert reproduktiv teknologi, gastroenterologi og mental helse.