Artificial intelligence for improved measurement of heart function

Hjertesykdom er den ledende dødsårsaken på verdensbasis, og ifølge WHO lever mer enn 500 millioner mennesker med hjerte- og karsykdom. Undersøkelse av pasienter skjer ofte ved hjelp av ekkokardiografi (ultralydundersøkelse av hjertet) fordi denne avbildningsteknikken er uten stråling, ikke-invasiv, rimelig og kan gi både strukturell og funksjonell informasjon om hjertet. Likevel har teknikken utfordringer knyttet til blant annet opptak og bildekvalitet, tidkrevende analyse, samt stor variasjon i resultater fra analyse av bildene. Den økte belastningen fra hjerte- og karsykdommer på helsesektoren fører til behov for mer effektive og presise analysemetoder som kan gi bedre diagnostisk og prognostisk støtte til klinikere. I dette PhD-prosjektet ønsker vi å undersøke om analysemetoder basert på maskinlæring kan gi like gode resultater som referansemetoder for diagnostikk og prognostikk av ulike hjertesykdommer. Videre vil vi forsøke å utvikle metoder for å kombinere informasjon fra ultralydbilder med andre kilder til informasjon om pasientens tilstand, såkalt holistisk eller multimodal kunstig intelligens (KI). Blant annet kan pasientkarakteristika, elektrokardiografi (EKG) og blodtrykksmålinger gi verdifull og komplementerende informasjon til ultralydbildene. Gjennomgående i arbeidet vil vi forsøke å ta i bruk teknikker for forklarbarhet (eXplainable AI, XAI) for å øke transparensen til metodene og bidra til at mennesker kan forsøke å forstå virkemåten til KI-modellene som blir brukt.