Διερευνούμε την εφαρμογή μεγάλων γλωσσικών μοντέλων στην κλινική τεκμηρίωση και τη διαχείριση ιατρικής γνώσης. Το ενδιαφέρον μας επικεντρώνεται σε μοντέλα προσαρμοσμένα στην ιατρική ορολογία και στη δομή του κλινικού λόγου, ικανά να εξάγουν πληροφορία από μη δομημένα ιατρικά κείμενα, να συνοψίζουν ιστορικά ασθενών και να απαντούν σε ερωτήματα φυσικής γλώσσας πάνω σε σύνθετα πληροφοριακά συστήματα υγείας.

Η προσαρμογή γλωσσικών μοντέλων σε ιατρικά δεδομένα θέτει απαιτήσεις που δεν υπάρχουν σε άλλους τομείς: η εμπιστευτικότητα των δεδομένων εκπαίδευσης, η αξιοπιστία των παραγόμενων απαντήσεων και η ανάγκη τεκμηρίωσης κάθε ισχυρισμού. Η έρευνά μας εστιάζει στο πώς αυτές οι απαιτήσεις μπορούν να ικανοποιηθούν χωρίς να θυσιαστεί η χρηστικότητα, με εφαρμογές που μειώνουν το διοικητικό φορτίο των επαγγελματιών υγείας και βελτιώνουν την ποιότητα της τεκμηρίωσης.

Ανάκτηση με Ενισχυμένη Παραγωγή (RAG)

Τα συστήματα RAG συνδυάζουν τη γλωσσική ικανότητα των μεγάλων μοντέλων με δυναμική πρόσβαση σε επαληθευμένες πηγές ιατρικής γνώσης. Αντί το μοντέλο να απαντά αποκλειστικά από όσα «θυμάται» από την εκπαίδευσή του, ανακτά πρώτα τη σχετική βιβλιογραφία, τις κλινικές κατευθυντήριες οδηγίες ή τα δεδομένα του συγκεκριμένου ασθενούς και θεμελιώνει σε αυτά την απάντησή του. Η προσέγγιση αυτή περιορίζει σημαντικά τον κίνδυνο παραγωγής εσφαλμένης πληροφορίας και επιτρέπει την ιχνηλάτηση κάθε απάντησης πίσω στην πηγή της — κρίσιμο στοιχείο για κάθε εφαρμογή υποστήριξης κλινικών αποφάσεων.

Γράφοι Γνώσης

Κατασκευάζουμε ιατρικούς γράφους γνώσης που αποτυπώνουν τις σχέσεις μεταξύ νοσημάτων, συμπτωμάτων, θεραπειών, φαρμάκων και κλινικών εκβάσεων, δημιουργώντας ένα σημασιολογικό δίκτυο ιατρικής πληροφορίας. Οι δομημένες αυτές αναπαραστάσεις επιτρέπουν στα συστήματά μας να αντιλαμβάνονται το κλινικό πλαίσιο, να εντοπίζουν συσχετίσεις που δεν είναι προφανείς και να υποστηρίζουν συλλογιστικές διαδικασίες για τη διαφορική διάγνωση και τον σχεδιασμό θεραπείας. Οι γράφοι διασυνδέονται με ηλεκτρονικούς φακέλους υγείας και ιατρικές βάσεις δεδομένων, λειτουργώντας ως υπόβαθρο για ευφυείς κλινικές εφαρμογές.

Αναπτύσσουμε αλγορίθμους επεξεργασίας βιοσημάτων για την εξαγωγή κλινικά χρήσιμης πληροφορίας από φυσιολογικά σήματα και δεδομένα βιοαισθητήρων. Η δουλειά μας καλύπτει την προεπεξεργασία και τον καθαρισμό του σήματος, την εξαγωγή χαρακτηριστικών και την εφαρμογή μεθόδων μηχανικής μάθησης για την αναγνώριση μοτίβων και ανωμαλιών.

Η επεξεργασία σε πραγματικό χρόνο θέτει ιδιαίτερες προκλήσεις: τα βιοσήματα φέρουν θόρυβο, τα artefacts κίνησης αλλοιώνουν τις μετρήσεις, και το όριο ανάμεσα στη φυσιολογική διακύμανση και στο κλινικά σημαντικό εύρημα δεν είναι πάντα ευδιάκριτο. Η έρευνά μας εστιάζει στην ανάπτυξη μεθόδων που παραμένουν αξιόπιστες υπό αυτές τις συνθήκες, ώστε η συνεχής παρακολούθηση να παράγει αξιοποιήσιμες ειδοποιήσεις και όχι θόρυβο συναγερμών.

Αναπτύσσουμε συστήματα υπολογιστικής όρασης για την ανάλυση ιατρικής εικόνας, αξιοποιώντας αρχιτεκτονικές βαθιάς μάθησης και τεχνικές επεξεργασίας εικόνας. Οι εφαρμογές μας αφορούν την ανίχνευση ανωμαλιών, τη μέτρηση ανατομικών δομών, την παρακολούθηση της εξέλιξης νοσημάτων και τον εντοπισμό μοτίβων που δύσκολα γίνονται αντιληπτά με την οπτική εξέταση.

Η κλινική αξιοποίηση τέτοιων συστημάτων εξαρτάται λιγότερο από την ακρίβεια του μοντέλου και περισσότερο από την ένταξή του στην καθημερινή ροή εργασίας. Γι’ αυτό δίνουμε προτεραιότητα σε προσεγγίσεις εξηγήσιμης τεχνητής νοημοσύνης, που παρέχουν οπτική τεκμηρίωση των ευρημάτων ώστε ο κλινικός να διατηρεί πλήρη εποπτεία της απόφασης, και στη διασύνδεση με υφιστάμενα συστήματα PACS και κλινικές διαδικασίες.

Ερευνούμε συστήματα συνεχούς παρακολούθησης που αξιοποιούν δεδομένα από φορητές συσκευές, αισθητήρες και ιατρικό εξοπλισμό, με στόχο την έγκαιρη αναγνώριση μεταβολών στην κατάσταση του χρήστη. Η δουλειά μας καλύπτει την ανάλυση φυσιολογικών τάσεων σε βάθος χρόνου, τους μηχανισμούς ειδοποίησης όταν οι μετρήσεις αποκλίνουν από τα αναμενόμενα εύρη, και την παρουσίαση της πληροφορίας με τρόπο κατανοητό τόσο για τον ίδιο τον χρήστη όσο και για τον επαγγελματία υγείας που τον παρακολουθεί.

Το κρίσιμο ζήτημα σε τέτοια συστήματα δεν είναι η ανίχνευση καθεαυτή, αλλά η ισορροπία ανάμεσα στην ευαισθησία και τη χρηστικότητα. Ένα σύστημα που ειδοποιεί υπερβολικά συχνά κουράζει και τελικά αγνοείται, ενώ ένα συντηρητικό σύστημα κινδυνεύει να χάσει σημαντικές μεταβολές. Η έρευνά μας εστιάζει σε αυτή την ισορροπία, με εξατομικευμένα κατώφλια ειδοποίησης και προβλεπτικές μεθόδους που μετατοπίζουν την παρέμβαση από την αντίδραση στην πρόληψη.

Ερευνούμε προσεγγίσεις ομόσπονδης μάθησης, οι οποίες επιτρέπουν τη συνεργατική εκπαίδευση μοντέλων τεχνητής νοημοσύνης ανάμεσα σε πολλαπλούς οργανισμούς χωρίς κεντρική συγκέντρωση ευαίσθητων δεδομένων. Αντί να μεταφέρονται τα δεδομένα, μεταφέρεται το μοντέλο: κάθε φορέας εκπαιδεύει τοπικά με τα δικά του δεδομένα και μοιράζεται μόνο τις παραμέτρους που προκύπτουν, ενώ οι πληροφορίες των ασθενών παραμένουν εντός της δικής του υποδομής.

Η προσέγγιση αυτή έχει ιδιαίτερη αξία εκεί όπου τα δεδομένα ενός μόνο φορέα δεν επαρκούν — στη μελέτη σπάνιων νοσημάτων, στην έρευνα σε επίπεδο πληθυσμού και στην ανάπτυξη μοντέλων που πρέπει να λειτουργούν αξιόπιστα σε διαφορετικούς πληθυσμούς και κλινικές πρακτικές. Παράλληλα, θέτει δικές της προκλήσεις: η ανομοιογένεια των δεδομένων μεταξύ φορέων, το υπολογιστικό και επικοινωνιακό κόστος του συντονισμού, και η διασφάλιση ότι ούτε οι ίδιες οι παράμετροι του μοντέλου δεν αποκαλύπτουν πληροφορία για τα υποκείμενα δεδομένα. Η έρευνά μας κινείται γύρω από αυτά τα ερωτήματα.

Ερευνούμε την εκτέλεση μοντέλων τεχνητής νοημοσύνης απευθείας στη συσκευή, αντί για την αποστολή δεδομένων σε κεντρικές υποδομές cloud. Η προσέγγιση αυτή απαιτεί ελαφριά μοντέλα, βελτιστοποιημένα ώστε να λειτουργούν με περιορισμένους υπολογιστικούς πόρους και ενέργεια, διατηρώντας παράλληλα επαρκή ακρίβεια για την εφαρμογή τους.

Το ενδιαφέρον της προσέγγισης είναι διπλό. Πρακτικά, επιτρέπει ανάλυση σε πραγματικό χρόνο εκεί όπου η συνδεσιμότητα είναι περιορισμένη ή αναξιόπιστη, χωρίς την καθυστέρηση που εισάγει η επικοινωνία με το cloud. Ως προς την ιδιωτικότητα, το γεγονός ότι η επεξεργασία γίνεται τοπικά σημαίνει ότι τα ακατέργαστα δεδομένα δεν χρειάζεται να εγκαταλείψουν ποτέ τη συσκευή — μεταδίδεται μόνο το αποτέλεσμα. Η έρευνά μας εστιάζει στην ισορροπία ανάμεσα στο μέγεθος του μοντέλου, την υπολογιστική απόδοση και την αξιοπιστία των αποτελεσμάτων.

Ερευνούμε την εκτέλεση μοντέλων τεχνητής νοημοσύνης απευθείας στη συσκευή, αντί για την αποστολή δεδομένων σε κεντρικές υποδομές cloud. Η προσέγγιση αυτή απαιτεί ελαφριά μοντέλα, βελτιστοποιημένα ώστε να λειτουργούν με περιορισμένους υπολογιστικούς πόρους και ενέργεια, διατηρώντας παράλληλα επαρκή ακρίβεια για την εφαρμογή τους.

Το ενδιαφέρον της προσέγγισης είναι διπλό. Πρακτικά, επιτρέπει ανάλυση σε πραγματικό χρόνο εκεί όπου η συνδεσιμότητα είναι περιορισμένη ή αναξιόπιστη, χωρίς την καθυστέρηση που εισάγει η επικοινωνία με το cloud. Ως προς την ιδιωτικότητα, το γεγονός ότι η επεξεργασία γίνεται τοπικά σημαίνει ότι τα ακατέργαστα δεδομένα δεν χρειάζεται να εγκαταλείψουν ποτέ τη συσκευή — μεταδίδεται μόνο το αποτέλεσμα. Η έρευνά μας εστιάζει στην ισορροπία ανάμεσα στο μέγεθος του μοντέλου, την υπολογιστική απόδοση και την αξιοπιστία των αποτελεσμάτων.