Advancing Deep Learning with Emphasis on Data-Driven Healthcare

Retten til helse er en grunnleggende menneskerettighet, men mange utfordringer står overfor de som ønsker å etterleve denne retten. Mangel på utdannet helsepersonell, økte kostnader og en aldrende befolkning er bare noen få eksempler på nåværende hindringer i helsesektoren. Å takle slike problemer er avgjørende for å gi pålitelig helsehjelp med høy kvalitet til mennesker over hele verden. Mange forskere og helsepersonell mener at et datadrevet helsevesen har potensial til å løse mange av disse problemene. Datadrevne metoder er basert på algoritmer som lærer å utføre oppgaver ved å identifisere mønstre i data, og forbedres ofte i takt med at mer data blir samlet inn. En sentral drivkraft i moderne datadrevet helsevesen er dyp læring. Dyp læring er en del av representasjonslæringsfeltet, hvor målet er å lære en datarepresentasjon som er gunstig for å utføre en gitt oppgave. Dyp læring har ført til store forbedringer i viktige helsedomener som bilde og språkbehandling. Imidlertid mangler dyplæringsalgoritmer tolkbarhet, gir ikke uttryk for usikkerhet, og har vanskeligheter når de får i oppgave å lære fra data uten menneskelige annoteringer. Dette er grunnleggende begrensninger som må adresseres for at et datadrevet helsevesen basert på dyp læring skal nå sitt fulle potensial. For å takle disse begrensningene foreslår vi ny metodikk innen dyp læring. Vi presenterer de første metodene for å fange opp usikkerhet i forklaringer av prediksjoner, og vi introduserer det første rammeverket for å forklare representasjoner av data. Vi introduserer også en ny metode som utnytter domenekunnskap til å trekke ut klinisk relevante attributer fra medisinske bilder. Vårt fokus er på helseapplikasjoner, men den foreslåtte metodikken kan brukes i andre domener også. Vi tror at innovasjonene i denne oppgaven kan spille en viktig rolle i å skape pålitelige dyplæringsalgoritmer som kan lære av umerkede data