Prøveforelesning
Prøveforelesning 14. desember: kl. 14.00 - 14.45.
Tittelen på prøveforelesningen er: “Trustworthiness & interpretability/explainability of deep learning for medical data”.
Disputas
Disputas 15. desember fra kl. 14.00.
Både prøveforelesning og disputas avholdes digitalt på Zoom.
Opponenter
Komiteen består av
- første opponent: Wallapak Tavanapong, Professor, Iowa State University, Department of Computer Science, USA
- andre opponent: Klaus Schöffmann, Associate Professor, Alpen-Adria-Universität Klagenfurt, Østerrike
Koordinatorkomité
Anis Yazidi, professor, OsloMet, Fakultet for teknologi, kunst og design, Institutt for informasjonsteknologi
Disputasleder
Disputasleder er instituttleder Laurence Marie Anna Habib.
Veiledere
Veiledere er
- Michael A. Riegler, Department of Holistic Systems, SimulaMet, Norway
- Professor Pål Halvorsen, Department of Holistic Systems, SimulaMet og Fakultet for teknologi, kunst og design, Institutt for informasjonsteknologi
- Professor Hugo Hammer, Fakultet for teknologi, kunst og design, Institutt for informasjonsteknologi
Sammendrag
Vajira Lasantha Bandara Thambawita oppsummerer doktorgradsprosjektet sitt slik:
Teknologiske fremskritt har gjort kunstig intelligens til et populært verktøy innen medisin.
Spesielt metoder innen maskinlæring, en underkategori av kunstig intelligens, er mye brukt.
Et mål er å utvikle gode, generaliserbare modeller for bruk i systemer for datamaskinassistert-diagnose, men en stor utfordring er innsamling og behandling av medisinske data på grunn av for eksempel personvernhensyn og kostbare annoteringsprosesser.
Denne oppgaven fokuserer derfor både på utvikling av maskinlæringsmodeller, og på å finne en løsning på problemet med manglende medisinske data.
For å nå oppgavens mål har vi undersøkt tre forskjellige medisinske eksempler, nemlig kardiologi, gastroenterologi og andrologi.
Ved hjelp av data fra disse medisinske områdene, har vi utviklet maskinlæringsmodeller. For å løse mangelen på medisinske data, har vi samlet inn, analysert og utviklet medisinske datasett, og vi har utført referanseanalyser.
I tillegg, er et rammeverk for generering av syntetiske medisinske data utviklet ved hjelp av "generative adversarial networks" for å løse problemet med datamangel, hvor resultatene våre indikerer at slike genererte data kan være en mulig løsning.
Som et overordnet konsept introduserer vi DeepSynthBody som grunnlag for strukturert og sentralisert generering av syntetisk medisinsk data.
Studiene presentert i oppgaven, slik som generering av syntetiske elektrokardiogram, bilder og videoer fra tarmsystemet og sædprøver, viser at DeepSynthBody kan bidra til å overvinne personvernproblemer, redusere tid og ressursbruk innen dataanmerkingsprosessene, og utjevne problemene med dataubalanse innen det medisinske domenet.
Våre eksperimenter viser at vi kan generere realistiske syntetiske data som gir sammenlignbare resultater med eksperimenter hvor man bruker reelle data.
Det endelige DeepSynthBody-rammeverket er tilgjengelig som et åpent kildekode-prosjekt som gjør det mulig for både forskere og industri å bruke systemet og å bidra til fremtidig utvikling.