Cristin-prosjekt-ID: 2497264
Sist endret: 5. november 2021, 09:40

Cristin-prosjekt-ID: 2497264
Sist endret: 5. november 2021, 09:40
Prosjekt

DEEPehr: Interpretable Deep Learning from Electronic Health Records under Learning Constraints

prosjektleder

Robert Jenssen
ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

prosjekteier / koordinerende forskningsansvarlig enhet

  • Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Finansiering

  • TotalbudsjettNOK 12.000.000
  • Norges forskningsråd
    Prosjektkode: 303514

Klassifisering

Vitenskapsdisipliner

Informasjons- og kommunikasjonsteknologi

Emneord

Maskinlæring

Kategorier

Prosjektkategori

  • Grunnforskning

Tidsramme

Aktivt
Start: 1. april 2020 Slutt: 31. mars 2024

Beskrivelse Beskrivelse

Tittel

DEEPehr: Interpretable Deep Learning from Electronic Health Records under Learning Constraints

Populærvitenskapelig sammendrag

Pasient- og populasjonsdata fra forskjellige datakilder innen elektroniske pasientjournaler (EPJ) blir viktigere og viktigere for datadrevet beslutningsstøtte og diagnosestøtte. Kunstig intelligens ved hjelp av dyp læring representerer forskningsfronten for EPJ-analyse på grunn av dyp lærings evne til å lære komplekse datarepresentasjoner fra rå helsedata, som gir sterk prediktiv kraft kombinert med en innebygget evne til å kunne forene mange og heterogene datatyper. Imidlertid, så er nøkkelproblemer og begrensninger ved dyp læring for helsedataanalyse deres begrensede tolkbarhet, deres manglende evne til å utnytte de store mengdene uannoterte data, og deres manglende evne til å utnytte kontekstuell informasjon for å kunne operere på små datasett. Som en nøkkelløsning, så skal DEEPehr-prosjektet utvikle ny og tolkbar dyp læringsmetodikk for prediksjoner ved å utnytte en rekke datakilder fra EPJ, med spesielt fokus på prediksjon og intervensjon av uønskede hendelser etter operasjon. Uønskede hendelser, som for eksempel infeksjoner, er potensielt dødelig, og skaper store plager for pasienter og store utgifter for helsevesenet. DEEPehr skal utvikle nyskapende ikke-styrte dyp læringsmetoder for å utnytte de store mengdene uannoterte helsedata for å bedre kvaliteten på behandling, og vil dra nytte av den unike hierarkiske oppbyggingen av EPJ for å ta i bruk kontekstuell informasjon for å hente ut ny klinisk kunnskap også fra små datamengder. Prosjektets resultater vil være til nytte for DEEPehrs kliniske partnere, og potensialet for å påvirke helse og vitenskap også i en større sammenheng enn DEEPehr anses som stort, gitt fokuset på generisk metodeutvikling innen dyp læring.

Vitenskapelig sammendrag

Patient and population specific data from heterogeneous Electronic
Health Records (EHR) are becoming ubiquitous sources for data-driven decision and diagnosis support systems. Deep learning artificial intelligence technologies are emerging as the state-of-the-art for EHR analysis due
to their ability to learn complex representations from raw clinical data to obtain strong predictive power combined with an inherent ability to accept multiple data types as input for heterogeneous data fusion. However, key problems and constraints for deep learning systems for health are their
lack of interpretability, their inability to exploit vast amounts of unannotated patient data, and their hitherto inability to exploit contextual information to perform well in the low volume data regime, e.g. due to stratification. As a key solution, the DEEPehr project will develop interpretable deep learning predictive systems for a range of EHR input sources, focusing particularly
on prediction and prevention of postoperative adverse events. Adverse events, such as infections, are potentially lethal, causing huge suffering
for patients and huge costs for healthcare. DEEPehr will develop novel unsupervised and weakly supervised deep learning methodology to exploit the wealth of unannotated patient data for better quality of care, and will leverage the unique hierarchical nature of EHRs for utilizing contextual and prior information to extract new clinical knowledge from low data volumes. Project results and outcomes will impact DEEPehr's clinical stakeholders, and the potential to impact data-driven health and science beyond is great given the generic methodology development core of the project. DEEPehr is high risk because of the profound challenges and interdisciplinary nature of the endeavor, yet feasible due to the high quality of the team, the extensive mobility, and the top international collaborators, creating the synergy effects needed to reach the ambitious project objectives.

prosjektdeltakere

prosjektleder
Aktiv cristin-person

Robert Jenssen

  • Tilknyttet:
    Prosjektleder
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet
  • Tilknyttet:
    Prosjektdeltaker
    ved Statistisk analyse, maskinlæring og bildeanalyse SAMBA ved Norsk Regnesentral
Aktiv cristin-person

Kristoffer Wickstrøm

  • Tilknyttet:
    Prosjektdeltaker
    ved UiT Norges arktiske universitet

Michael Kampffmeyer

  • Tilknyttet:
    Prosjektdeltaker
    ved Statistisk analyse, maskinlæring og bildeanalyse SAMBA ved Norsk Regnesentral
  • Tilknyttet:
    Prosjektdeltaker
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Daniel Johansen Trosten

  • Tilknyttet:
    Prosjektdeltaker
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Arnt-Børre Salberg

  • Tilknyttet:
    Prosjektdeltaker
    ved Jordobservasjon ved Norsk Regnesentral
1 - 5 av 9 | Neste | Siste »

Resultater Resultater

Reconsidering Representation Alignment for Multi-View Clustering.

Trosten, Daniel Johansen; Løkse, Sigurd Eivindson; Jenssen, Robert; Kampffmeyer, Michael. 2021, Computer Vision and Pattern Recognition. UITVitenskapelig artikkel

Reducing Objective Function Mismatch in Deep Clustering with the Unsupervised Companion Objective.

Trosten, Daniel Johansen; Jenssen, Robert; Kampffmeyer, Michael. 2021, Proceedings of the Northern Lights Deep Learning Workshop. UITVitenskapelig artikkel

Understanding Convolutional Neural Networks With Information Theory: An Initial Exploration.

Yu, Shujian; Wickstrøm, Kristoffer Knutsen; Jenssen, Robert; Principe, Jose. 2020, IEEE Transactions on Neural Networks and Learning Systems. UIT, UoFVitenskapelig artikkel

Uncertainty-Aware Deep Ensembles for Reliable and Explainable Predictions of Clinical Time Series.

Wickstrøm, Kristoffer Knutsen; Mikalsen, Karl Oyvind; Kampffmeyer, Michael; Revhaug, Arthur; Jenssen, Robert. 2021, IEEE journal of biomedical and health informatics. UIT, UNNVitenskapelig artikkel

Unsupervised supervoxel-based lung tumor segmentation across patient scans in hybrid PET/MRI.

Hansen, Stine; Kuttner, Samuel; Kampffmeyer, Michael; Markussen, Tom-Vegard; Sundset, Rune; Øen, Silje Kjærnes; Eikenes, Live; Jenssen, Robert. 2020, Expert Systems With Applications. UIT, UNN, NTNUVitenskapelig artikkel
1 - 5 av 6 | Neste | Siste »