AGH Zespół Badawczy AI "MOTIVATED ASSOCIATIVE BRAIN" |
Zespół został założony w 2019 r. i jest dedykowany rozwijaniu innowacyjnych modeli neuronów oraz ich samoorganizujących się struktur grafowych, głębokich sieci neuronowych zdolnych do adaptacji do dowolnych danych oraz relacji pomiędzy nimi budując asocjacje i wykorzystując je w procesach kognitywnych, przewidywaniu, klasteryzacji, grupowaniu, klasyfikacji, wnioskowaniu, rekomendacji, modelowaniu emocji i potrzeb, uczeniu z wykorzystaniem motywacji, formowaniu się wiedzy, słabej i silnej sztucznej inteligencji oraz ich zastosowaniach między innymi do operowania językiem naturalnym, tworzeniem inteligentnych agentów motywowanych oraz w różnych zagadnieniach inżynierii biomedycznej.
ZESPÓŁ BADAWCZY AGH:
- dr hab. Adrian Horzyk, prof. AGH (Kierownik Zespołu)
- lek med. Daniel Bulanda (doktorant, lekarz)
- dr inż. Marcin Kowalik (doktorant)
STALI WSPÓŁPRACOWNICY ZEWNĘTRZNI:
ZAKRES ZAINTERESOWAŃ BADAWCZYCH I ROZWOJOWYCH:
Zespół badawczy "MOTIVATED ASSOCIATIVE BRAIN" zajmuje się rozwijaniem modeli, struktur, algorytmów i rozwiązań z zakresu nowoczesnej sztucznej inteligencji, uczenia głębokiego, inżynierii wiedzy oraz inteligentnych asocjacyjno-kognitywistycznych systemów opartych na formowaniu wiedzy do rozwiązywania istotnych zadań między innymi z zakresu lingwistyki komputerowej, inżynierii biomedycznej i medycyny oraz inteligentnych agentów motywowanych. Naszym celem jest opracowywanie i udoskonalanie metod, struktur, algorytmów i rozwiązań pozwalających na wspomaganie pracy inżynierów w trakcie budowy złożonych systemów oraz pracy lekarzy w diagnostyce, klasyfikacji, predykcji, wykrywaniu chorób, rekomendacji i optymalizacji sposobów leczenia, prewencji i ostrzeganiu na podstawie bazy wiedzy oraz algorytmów dokonujących predykcji i rekomendacji. Budowane systemy i struktury mają za zadanie automatycznie dostosowywać się do danych i łączących je relacji, formować wiedzę o problemach i na bazie skojarzeń poszukiwać rozwiązań i je zapamiętywać w głębokich grafowych asocjacyjnych strukturach neuronowych.
TEMATYKA BADAWCZA:
- Tworzenie innowacyjnych modeli samoadaptujących się głębokich, grafowych sieci składających się samooragnizujących się neuronów i receptorów zdolnych reagować na różne bodźce wejściowe.
- Tworzenie pamięci asocjacyjnych zdolnych do kognitywnego kojarzenia w oparciu o rozwinięte modele neuronów i sieci.
- Rozwój metody uczenia motywowanego w polaczeniu z pamięcią asocjacyjna i głębokimi sieciami neuronowymi.
- Badanie i modelowanie procesów formowania się wiedzy w ludzkim umyśle oraz tworzenie sztucznej inteligencji opartej o wiedzę bazującą na skojarzeniowym modelu przechowującym dane i relacje.
- Przetwarzanie, rozpoznawanie, klasteryzacja i klasyfikacja obrazów, w tym biomedycznych.
- Rozwinięcie i wykorzystanie neuronowych, asocjacyjno-kognitywnych sieci głębokich bazujących na sygnałach EKG do modelowania wiedzy, klasyfikacji oraz wnioskowania w obszarze patofizjologii chorób serca
PUBLIKACJE NAUKOWE:
|
OPIS PROWADZONYCH BADAŃ Z ZAKRESU BIOCYBERNETYKI, INŻYNIERII WIEDZY, KOGNITYWISTYKI I SZTUCZNEJ INTELIGENCJI (od 2019 r.):
Współczesna sztuczna inteligencja opiera się na uczeniu maszynowym umożliwiającym aproksymację i grupowanie poprzez różne modele, w tym głębokie sieci neuronowe, które mają wiele zalet, jednak również nadal wiele wad. Mimo wielu sukcesów osiągniętych na polu adaptacji i uczenia maszynowego, współczesnym rozwiązaniom niestety nadal bardzo daleko do osiągnięcia poziomu inteligencji zwierząt, nie mówiąc już o inteligencji ludzkiej. Te sukcesy odnosimy jednak tylko w kilku grupach zagadnień, związanych z klasyfikacją, klasteryzacją i predykcją (regresją), co stanowi tylko bardzo wstępny etap dla rozwoju prawdziwej (silnej) sztucznej inteligencji. Oczywiście wiele grup badawczych na świecie bez ustanku dąży do przekraczania granic obecnej wiedzy i stworzenia prawdziwej sztucznej inteligencji.
Prowadzone badania w ramach naszej grupy mają na celu poszerzenie wiedzy o procesach formowania się wiedzy w ludzkim umyśle oraz przeniesienie tego na grunt informatyki. W informatyce na razie głównie koncentrowano się na przechowywaniu i przetwarzaniu danych, lecz wiedza wynika przede wszystkim z relacji pomiędzy danymi i ich grupami modelującymi przeróżne obiekty i zdarzenia. W sztucznej inteligencji też na razie za mało poświęcono uwagi samym procesom recepcyjnym, bez których dane by nie docierały do sieci neuronów, a inteligencja nie mogłaby się rozwijać. Istotnym elementem każdej biologicznej sieci neuronowej jest również środowisko (płyn mózgowo-rdzeniowy) oraz względne odległości neuronów, które często są zaniedbywane w modelach sieci neuronowych. Brak potrzeb i uczuć sztucznych systemów nie pozwala na stwarzanie motywacyjnych sprzężeń zwrotnych, więc systemy sztuczne nie mają motywacji do poszerzania wiedzy w istotnych aspektach ani formowania sztucznej inteligencji. W naszym zespole zajmujemy się tymi istotnymi aspektami i rozwijamy bardzo ciekawe, futurystyczne modele, które przełamują bariery ludzkiego poznania, umożliwiając zrozumienie skojarzeniowych procesów mózgowych oraz przenoszenie ich na grunt informatyki, tworząc oparte o wiedzę modele sztucznej inteligencji.
OPIS PROWADZONYCH BADAŃ Z ZAKRESU INŻYNIERII BIOMEDYCZNEJ (od 2020 r.):
Jak pokazują najnowsze badania (Eric Topol, "Deep Medicine. How Artificial Intelligence Can Make Healtcare Human Again", New York, 2019), nawet 60% zlecanych badań i procedur medycznych dokonywana jest błędnie, niedokładnie lub niepotrzebnie na skutek ograniczonego czasu na badanie podmiotowe i przedmiotowe, zapoznanie się historią choroby oraz błędnej, pośpiesznej, niedokładnej lub niewystarczającej analizy i diagnostyki różnicowej. Skutkuje to często niewłaściwym sposobem leczenia, nie przynoszącym poprawy stanu zdrowia, pogorszeniem stanu zdrowia, a nawet śmiercią. Najczęstszą przyczyną zgonów w Polsce są choroby układu krążenia (43,5% w 2017 roku wg. Rocznika Demograficznego GUS), które ze względu na skomplikowany proces diagnostyczny i terapeutyczny, brak odpowiedniego przygotowania części lekarzy uczestniczących w procesie leczenia, brak dostępu do odpowiednich procedur diagnostycznych, a także brak czasu niezbędnego do właściwej analizy dostępnych danych medycznych, są często leczone w sposób nieodpowiedni, powodując niedostrzeganie wczesnych zagrożeń, prowadząc do dalszych powikłań, upośledzenia czynności serca, a nawet śmierci.
Elektrokardiografia (EKG) jest jednym z najczęściej wykonywanych badań w Polsce. Według raportu GUS „Zdrowie i ochrona zdrowia w 2016 r.” aż 13,2% populacji miało wykonane badanie EKG w ciągu roku w ramach opieki ambulatoryjnej. Przyczynia się do tego między innymi niski koszt wykonania badania, dostępność aparatury, stosunkowo prosta obsługa aparatury, nieinwazyjność oraz wysoka wartość diagnostyczna badania. Elektrokardiografia oraz jej warianty, tj. monitorowanie EKG metodą Holtera (ciągła rejestracja sygnału EKG przez 24 godziny lub kilka dni) czy EKG wysiłkowe są wskazane m. in. u pacjentów z wcześniej rozpoznaną chorobą układu sercowo-naczyniowego, u osób z podejrzeniem choroby układu sercowo-naczyniowego oraz u osób zdrowych z zwiększonym ryzykiem chorób układu sercowo-naczyniowego. Ponadto ważną rolę w procesie diagnostycznym chorób serca pełnią badania obrazowe, tj. echokardiografia, tomografia komputerowa, RTG, rezonans magnetyczny serca czy koronarografia. Echokardiografia jest jednym z częściej wykonywanych badań w ramach opieki ambulatoryjnej (4,8% populacji w 2016 r. wg GUS). Od wielu lat podejmowane są próby komputerowego wspomagania procesu diagnostycznego na podstawie sygnałów EKG oraz badań obrazowych serca. Wiele z nich mimo obiecujących wyników nie zostało wdrożonych do praktyki klinicznej. Przyczynić mogły się do tego m. in. brak kompleksowego i praktycznego podejścia opracowywanych rozwiązań umożliwiających łatwe wdrożenie do praktyki klinicznej, niewystarczająca efektywność tych metod czy duże zapotrzebowanie na moc obliczeniową, która ze względów finansowych i organizacyjnych często nie jest dostępna w praktyce klinicznej.
Proces rozpoznawania wzorców, a następnie wydobywania wiedzy zawartej w sygnałach EKG oraz badaniach obrazowych serca z pewnością nie jest zadaniem trywialnym, pozostając jednocześnie bardzo ważnym z punktu widzenia potencjalnych korzyści. Wiele podejść do analizy sygnałów EKG metodami klasycznymi i tych korzystających z głębokich sieci neuronowych zawiodły, gdyż ze względu na swój sposób działania, biorą pod uwagę tylko pewien podzbiór istotnych cech, których nie są w stanie ze sobą odpowiednio powiązać, prowadząc do błędnej klasyfikacji. Ponadto sieci głębokie są niewrażliwe na niewielkie zmiany, które w przypadku sygnału EKG mają często fundamentalne znaczenie, wskazując np. symptomy zawału czy określony rodzaj zaburzeń rytmu serca. Kolejnym istotnym problemem głębokich sieci neuronowych jest niska efektywność energetyczna – zarówno uczenie jak i wnioskowanie wymaga sprzętu o ogromnej mocy obliczeniowej, który w praktyce często nie jest dostępny, ograniczając tym samym możliwości wdrażania tych rozwiązań do codziennej praktyki klinicznej a także akademickiej. Ten problem w szczególności dotyczy analizy obrazów medycznych, które ze względu na wielowymiarowość danych (od 1 do 3 wymiarów przestrzeni geometrycznej, od 1 do 4 wymiarów przestrzeń barw oraz czas jako dodatkowy wymiar) wymagają dostępu do bardzo wydajnego sprzętu, aby móc przeprowadzić analizę takich danych najefektywniejszymi metodami uczenia głębokiego.
Celem badań tego zespołu badawczego jest zbudowanie nowego adaptacyjnego modelu aktywności serca na bazie neuronowych modeli asocjacyjno-kognitywnych, które są w stanie wyeliminować te niedogodności i rozwijać reprezentację wiedzy o sygnałach EKG w niestosowany dotychczas sposób z uwzględnieniem częstotliwości i ilości zmian w czasie, wykorzystując zdarzenia częste i rzadkie równocześnie. Dodatkowo dzięki efektywnej reprezentacji wiedzy w modelu asocjacyjno-kognitywnym możliwe jest skojarzeniowe powiązanie danych oraz łączących je relacji. Wykorzystywane są techniki uczenia maszynowego innych modalności, głównie badań obrazowych serca, tj. echokardiografii, tomografii komputerowej, RTG, rezonansu magnetycznego (MRI) serca czy koronarografii. W ramach badań powstaną też nowe neuronowe i asocjacyjne struktury danych, algorytmy i metody obliczeniowe wyszukujące i agregujące skojarzeniowo wzorce częste, reprezentujące je w asocjacyjnym modelu wiedzy oraz dokonujące klasyfikacji chorób układu krążenia.
Korzystamy również z bogactwa istniejących rozwiązań opartych o modele uczenia głębokiego, które wspomagamy modelami asocjacyjno-kognitywnymi. Ponadto staramy się usprawnić i rozwinąć struktury i algorytmy uczenia głębokiego, między innymi dążąc do eliminacji zbyt dużej ilości hiperparametrów tych modeli, za które jest odpowiedzialny projektant. Naszym celem jest opracowanie metod, które będą wiele hiperparameterów optymalizować w trakcie uczenia korzystając z rozwijanych przez nasz zespół algorytmów. To sprawi, iż hiperparametry tych modeli staną się parametrami, które w sposób szybszy i automatyczny będzie można obliczyć.
W trakcie badań rozwijane są modele skojarzeniowej reprezentacji wiedzy dla sygnałów i obrazów biomedycznych, rozwijając warsztat naukowy zespołu i umożliwiając wnioskowanie o kolejne granty na badania podstawowe i wdrożenia w aparaturze medycznej lub w postaci aplikacji komputerowych.
W badaniach wykorzystany będzie specjalistyczny sprzęt komputerowy wyposażony w nowoczesne jednostki typu GPGPU, certyfikowane monitory medyczne spełniające wymogi stacji diagnostycznej TK i MR (zgodność z standardem DICOM), nowoczesna aparata EKG pozwalająca na zapis sygnałów w postaci cyfrowej o wysokiej jakości i rozdzielczości oraz nowoczesne holtery EKG jedno- i wielokanałowe do przeprowadzania obliczeń, osadzenia stworzonych algorytmów, testowania modeli obliczeniowych, zbierania danych oraz ewaluacji możliwych zastosowań w ramach telemedycyny.
Badania prowadzone w ramach tej grupy badawczej wpisują się w priorytetowe obszary badawcze sztucznej inteligencji, inżynierii wiedzy, kognitywistyki, biocybernetyki oraz inżynierii biomedycznej (POB 5) i obejmują rozwój tych metod w celu uzyskania automatycznej klasyfikacji i wspomagania lekarzy, a następnie wykorzystania w telemedycynie (POB 6), ratując zdrowie i życie wielu chorych dotkniętych chorobami serca.