Kunstig Intelligens på hospitalerne: Brugergrænseflader, der virker i praksis

Kunstig Intelligens på hospitalerne: Brugergrænseflader, der virker i praksis

Schedule

  • Applications open

  • Applications close

Hvad er udgangspunkt/problemstilling/behov?

Kunstig intelligens (AI), og specielt med Deep Learning, har vist sig meget slagkraftig til billedanalyse (røntgen, scanninger, ...) brugt til diagnostik. Rent statistisk kan man måle en stor præcision af AI'ens vurderinger, men det er svært at implementere i praksis. Problemet hedder blackbox: Den kunstige intelligens giver grundlæggende kun definitive svar som »Positiv« eller »Negativ«, men intet om, hvad der får den til at tro det, eller hvor meget den tror på det. Som den læge – med ekspertviden på et område – der skal beslutte en måske livsvigtig diagnose – kan du ikke bruge det til ret meget.


Der er et behov for at udvikle grænseflader til AI, som giver lægen et bedre beslutningsgrundlag, som vedkommende kan måle op mod sin egen ekspertviden. Det behøver ikke nødvendigvis at være ved en længere tekstlig redegørelse fyldt med lægelatin, men kan være en indikation af, hvor på et billeder, der er noget suspekt, lægen bør kigge på.


Find et konkret case, en helt bestemt hospitalsafdeling som diagnosticerer noget helt bestemt i en helt bestemt sammenhæng. HC har samarbejde med et hospital om analyse mulig afstødning ud fra scannede biopsier fra hjertetransplanterede. – Spørg HC om, hvad det er for noget. En kontakt kan måske formidles, eller skab jeres egne kontakter.


Eller: Problemstillingen er generel, og der kan defineres tilsvarende projekter andre steder, hvor eksperter ønsker at bruge AI som beslutningsstøtte.

For hvem er det et problem?

Læger, pataloger og alle mulige andre xxx-loger, som arbejder med diagnoser. Der er også interessenter, som ser på økonomien (kan vi spare penge), men det er sekundært. 

Med hvilke teorier kunne problemet belyses?

Teorier om grænseflader til informationsteknologi.

Participatory design, inkl. metoder til at analysere arbejdsprocesser.

Et minimum at kendskab til AI til billedanalyse (ikke nødvendigvis på programmeringsniveau)

Hvordan kan en løsning designes?

Systematiske interviews; iterativt design; udvikling af prototyper. Projektet kan sagtens angribes uden at man skal programmere én eneste linje: et forslag til en grænseflade kan præsenteres som en papmodel eller et powerpoint show. Eller man kan udvikle en lille snyde-app med trykknapper, og så undlade et have en AI indeni. (AI-programmering er bøvlet, så med mindre I allerede er rigtigt gode til det, hold nallerne fra det!). FabLab kan hjælpe med forskellige slags prototyper

Hvordan kan en vision for løsningen tænkes?

Et design af en grænseflade til et AI-baseret system til den specifikke anvendelse. Designet skal være så præcist beskrevet, at det kan gives videre til en programmør, og der skal ikke være tvivl om, hvordan det endelige system skal se ud.

Applications are closed.

Files

No files uploaded

Open For
  • Students

Offerings
  • Mentorship

Links

No links added

SDGs
Co-mentors

Your AI Matches

To navigate
Press Enter to select