Projectdetails
!!Description
Een belangrijk en persisterend probleem bij multiple sclerose (MS) is de klinisch-radiologische
paradox: het ontbreken van een sterke link tussen hersenschade op MRI, en fysieke of cognitieve
stoornissen.
Onze hypothese is dat de recente vooruitgang in kunstmatige intelligentie (KI) ons nu in staat stelt
om deze paradox op te helderen door het in rekening brengen van pathofysiologische veranderingen
die niet opgepikt worden door standaard radiologische analyse Meer specifiek zullen we deep learning (DL) gebruiken om cognitieve stoornissen bij MS te
voorspellen. DL noodzaakt echter grote datasets, en door regels rond gegevensbescherming zijn die
niet beschikbaar. Onze oplossing is mijn netwerk voor gefedereerd leren dat al 1400 personen met
MS bevat, binnen dit project uit te breiden tot minstens 2700.
Omdat clinici DL modellen ondoorzichtig vinden is implementatie in de kliniek moeilijk. Daarom zal ik
het DL beslissingsproces via verklaarbare KI ontrafelen. De resulterende inzichten zullen de
hoeksteen vormen van een Delphi-studie waarin ik zal onderzoeken wat er nodig is om AI modellen
te vertrouwen.
Samengevat zal dit project DL-methoden combineren om [1] de cognitieve paradox bij MS op te
lossen door nieuwe schadepatronen te identificeren in MRI, [2] te ontrafelen hoe DL-modellen de
kliniek kunnen bereiken en [3] een uitgebreid internationaal gefedereerd leernetwerk op te leveren
dat betrouwbare DL-modellen levert op het gebied van MS.
paradox: het ontbreken van een sterke link tussen hersenschade op MRI, en fysieke of cognitieve
stoornissen.
Onze hypothese is dat de recente vooruitgang in kunstmatige intelligentie (KI) ons nu in staat stelt
om deze paradox op te helderen door het in rekening brengen van pathofysiologische veranderingen
die niet opgepikt worden door standaard radiologische analyse Meer specifiek zullen we deep learning (DL) gebruiken om cognitieve stoornissen bij MS te
voorspellen. DL noodzaakt echter grote datasets, en door regels rond gegevensbescherming zijn die
niet beschikbaar. Onze oplossing is mijn netwerk voor gefedereerd leren dat al 1400 personen met
MS bevat, binnen dit project uit te breiden tot minstens 2700.
Omdat clinici DL modellen ondoorzichtig vinden is implementatie in de kliniek moeilijk. Daarom zal ik
het DL beslissingsproces via verklaarbare KI ontrafelen. De resulterende inzichten zullen de
hoeksteen vormen van een Delphi-studie waarin ik zal onderzoeken wat er nodig is om AI modellen
te vertrouwen.
Samengevat zal dit project DL-methoden combineren om [1] de cognitieve paradox bij MS op te
lossen door nieuwe schadepatronen te identificeren in MRI, [2] te ontrafelen hoe DL-modellen de
kliniek kunnen bereiken en [3] een uitgebreid internationaal gefedereerd leernetwerk op te leveren
dat betrouwbare DL-modellen levert op het gebied van MS.
Acroniem | FWOTM1215 |
---|---|
Status | Actief |
Effectieve start/einddatum | 1/10/24 → 30/09/27 |
Keywords
- Gefedereerd leren
- Multiple sclerose
- Klinisch vertrouwen in kunstmatige intelligentie
Flemish discipline codes in use since 2023
- Medical imaging and therapy not elsewhere classified