Nykyinen terveydenhuolto tuottaa paljon dataa, kuten lääketieteellisiä kuvia, potilastietoja ja fysiologisia signaaleja, mutta ne ovat usein puutteellisia tai huonosti yhteensopivia, mikä rajoittaa tekoälyn (AI) hyödyntämistä. Hankkeessa kehitetään uusi lähestymistapa, testiaikainen ohjattu generatiivinen mallinnus, jonka avulla AI voi oppia epätäydellisistä tiedoista ja mukautua käytön aikana. Keskeinen ajatus on paradigman muutos: sen sijaan, että tekoäly opetettaisiin kapeana syöte–tulos-kuvauksena (X?Y), mallinnamme multimodaalisen datan yhteisjakaumaa (X,Y), jota voidaan ohjata joustavaan päättelyyn. Toivottavasti tämä on askel kohti kliinisiä maailmamalleja. Tutkimus yhdistää itseoppivaa tekoälyä, generatiivista mallinnusta ja kliinisiä aineistoja keuhkosyövästä, sydänkuvauksesta ja potilastiedoista, ja se toteutetaan ELLIS Institute Finlandissa ja Aalto-yliopistossa. Tulokset johtavat luotettavampiin ja tietotehokkaampiin tekoälytyökaluihin terveydenhuoltoon.

2026

2030