Stavanger AI Lab

Kunstig intelligens og hjerneslag

Førsteamanuensis Mahdieh Khanmohammadi har jobbet med et prosjekt som omhandler bildeanalyse av akutt hjerneslag. Målet har vært å utvikle et KI-verktøy som kan hjelpe leger med å ta bedre og raskere avgjørelser ved mistanke om hjerneslag. Doktorgradsstudentene Luca Tomasetti og Liv Jorunn Høllesli jobbet med prosjektet fram til våren 2024.

Luca Tomasettis del av det såkalte tvillingprosjektet handlet hovedsakelig om å utvikle nye automatiske metoder for bildediagnostikk ved hjelp av maskinlæring. Han har brukt bilder fra CTP-skanning (computertomografiperfusjon) som inndata for et kunstig intelligens-nettverk som kan segmentere områdene i hjernen med nedsatt blodtilførsel. Med andre ord, skille ut de områdene i hjernen som bør behandles for hjerneslag.

Liv Jorunn Høllesli analyserte forholdet mellom skadet vev ved innleggelse av pasienten og etter behandling. Prosjektet fortsetter med en ny stipendiat ved UiS, Sazidur Rahman. Han skal jobbe videre med maskinlæringsdelen.

Kunstig intelligens kan gje fleire pasientar gode liv etter hjerneslag

Khanmohammadi har nylig blitt kontaktet av en gruppe forskere fra Aberystwyth-universitetet i Wales og deres partnere i Istanbul i Tyrkia. De ønsker et samarbeid om bildeanalyse av hjerneslag. Forskerne samler inn pasientdata etter at hjerneslaget har skjedd, for å se på rehabiliteringsprosessen av sykdommen. Så langt har Khanmohammadis forskning satt søkelys på hva de kan gjøre for å forenkle diagnosen av et hjerneslag. Nå er de altså klare for fase to – nemlig kunstig intelligens til hjelp i behandling av hjerneslag. Khanmohammadi har nylig vært i Istanbul for å møte samarbeidspartnerne og besøke klinikken der de samler inn data.

Et annet aktuelt forskningsprosjekt dreier seg om Parkinsons sykdom. Her bruker forskerne kunstig intelligens for å studere sykdomsprogresjonen. Målet er å utvikle gode verktøy for nevrologene. Det er riktignok utfordringer med å ta i bruk KI-verktøy i helsevesenet på grunn av kostnader. Mahdieh Khanmohammadi understreker at de fremdeles er i utviklingsfasen og at målet på sikt er klinisk implementering.

Hva betyr brukersimulering for generativ kunstig intelligens?

Artikkelen er skrevet av professor Krisztian Balog ved UiS og professor ChengXiang Zhai ved University of Illinois at Urbana-Champaign.

"User Simulation in the Era of Generative AI"

Brukersimulering handler om å etterligne hvordan mennesker oppfører seg når de samhandler med informasjonssystemer som søkemotorer og anbefalingssystemer. Her er et sammendrag av hovedpunktene i artikkelen:

• Brukersimulering innebærer å skape en intelligent formidler – et smart system – som etterligner handlingene til en menneskelig bruker som interagerer med kunstig intelligens (KI). Dette er viktig for å modellere og analysere brukeradferd, skape syntetiske data for trening og evaluere interaktive KI-systemer på en kontrollert og reproduserbar måte.
• Brukersimulering trekker på konsepter fra psykologi, økonomi og menneske-maskin-interaksjon for å skape nøyaktige modeller av brukeradferd. Store språkmodeller (LLM) har gjort det mulig å simulere komplekse brukerhandlinger og de har blitt brukt i ulike simuleringsoppgaver.
• Brukersimulering har flere anvendelser:

1. Brukermodellering: Skape realistiske simuleringer av hvordan brukere interagerer med et system for å forbedre personalisering.
2. Dataforsterkning: Skape syntetiske brukerinteraksjoner for å forbedre treningen av maskinlæringsmodeller.
3. Systemevaluering: Måle systemytelse basert på interaksjonsdata skapt av simulerte brukere.

Artikkelen diskuterer behovet for videre forskning på tvers av ulike disipliner for å forbedre brukersimuleringsteknologien. Dette inkluderer utvikling av mer realistiske og varierte brukersimulatorer, samt integrering av avanserte teknikker for maskinlæring.

Utviklingen av realistiske brukersimulatorer er nært knyttet til målet om å skape intelligente formidlere med menneskelignende intelligens, kjent som Artificial General Intelligence (AGI).

Artikkelen understreker viktigheten av samarbeid mellom akademia og industri for å validere brukersimulatorer og fremme innovasjon innenfor dette feltet.

Bruk av maskinlæringsteknikker for å oppdage Parkinsons-symptomer

Førsteamanuensis Florenc Demrozi har satt i gang et forskningsprosjekt som ser på bruk av maskinlæring for å oppdage de motoriske symptomene på Parkinsons sykdom. Motoriske symptomer har stor innvirkning på dagliglivet, og det er derfor viktig å forstå dem bedre. Ett av de mest utfordrende symptomene er "frysing av gange" (freezing of gait – FoG), hvor en person plutselig stopper opp og ikke klarer å bevege føttene, ofte utløst av distraksjoner. Disse episodene kan vare fra ett sekund til ett minutt og kan føre til fall, noe som er spesielt farlig for sårbare og eldre pasienter.

Sammen med nasjonale og internasjonale partnere, utvikler de både nye tilnærminger til maskinlæring og bærbare enheter som kan oppdage FoG-mønstre og gripe inn hos brukerne. Denne kombinasjonen av algoritmisk (maskinlæring) og elektronikk (bærbare enheter) har to hovedfunksjoner: å forutsi FoG to til tre sekunder før det skjer og å hjelpe personen ut av tilstanden gjennom stimulering. Målet er å automatisere denne mekanismen, men på grunn av den subjektive opplevelsen av FoG er det utfordrende å lage et universelt system for alle pasienter.

For øyeblikket samler forskerne inn data, men på grunn av den høye variasjonen av FoG og motoriske symptomer blant personer med Parkinsons sykdom, er det utfordrende å skaffe datasett som er mangfoldige nok. Mens forskningen på dette feltet pågår, er det bare et lite antall studier som gir åpen tilgang til data, noe som begrenser muligheten til å utvikle og validere maskinlæringsmodeller effektivt. For å overvinne denne utfordringen bruker teamet såkalte zero-shot (ZSL) og few-shot (FSL) læringsteknikker, som gjør det mulig for modeller å gjenkjenne og klassifisere FoG-episoder selv med minimalt tilgjengelige treningsdata. Både programvaren (KI-modeller) og maskinvaren (bærbare enheter) utvikles internt av forskerteamet. Neste steg er å etablere et åpent samarbeid med et sykehus for å teste KI-systemet på nye Parkinson-pasienter og evaluere hvor effektivt systemet er i å oppdage og forutsi FoG-episoder i virkelige scenarier.