Tematyka badawcza preLABu będzie dotyczyć rozwijania sieci neuronowych w kontekście automatycznego odkrywania wiedzy naukowej (ang. scientific discovery), ze szczególnym uwzględnieniem odkrywania leków i obrazowania medycznego. Motywacją podjęcia prac nad odkrywaniem leków jest ogromny koszt wprowadzania nowego leku na rynek (w Stanach Zjednoczonych kosztuje to ponad miliard dolarów [1]). Jednym z powodów są niewystarczające możliwości przewidywania wyników eksperymentów chemicznych in silico, oraz jednocześnie dużym kosztem przeprowadzania eksperymentów w laboratorium. Podjęcie prac z zakresu obrazowania medycznego jest z kolei uzasadnione potrzebą automatyzacji wielu odtwórczych czynności wykonywanych przez lekarza podczas badania, dzięki czemu będzie on w stanie więcej czasu poświęcać pacjentowi [2]. W ostatnich latach sieci neuronowe uzyskały obiecujące wyniki w istotnych problemach klasyfikacyjnych dla odkrywania leków [3] i obrazowania medycznego [4]. Niestety z powodu małych ilości danych, generalnie wyniki uzyskane sieciami neuronowymi nie są na wymaganym poziomie dokładności. Naturalnym rozwiązaniem jest aktywne uczenie i umożliwienie modelowi przeprowadzanie eksperymentów w laboratorium lub z wykorzystaniem symulatora. Z powodu fundamentalnych problemów sieci neuronowych, realizacja takiego aktywnego uczenia jest otwartym problemem badawczym. W szczególności, sieci neuronowe źle oceniają własną niepewność i są słabo interpretowalne. Dlatego planujemy rozwijać fundamentalne aspekty sieci neuronowych z zastosowaniami w szczególności do automatyzacji odkrywania leków i obrazowej diagnostyki medycznej we współpracy z wieloma partnerami akademickimi i biznesowymi. Tematyka pre-LABu jest bezpośrednio zbieżna z pierwszym (m.in. "zaawansowane metody optymalizacji ML") oraz czwartym obszarem badawczym (m.in. "modelowanie i predykcja własności i reaktywności związków chemicznych") DigiWorld.

Prezentacja pre-Labu odbyła się 18 marca 2021 r. w ramach Seminarium POB Digiworld od godziny 14.00

Title: overview of the lab and interpretability of models applied to medicine 

Abstract: What if a machine could discover a new physical matter or improve our understanding of disease? Due to rapid advances in artificial intelligence and hardware to collect data, such questions are no longer hypothetical.  Our lab focuses on developing relevant generic artificial intelligence methods in two application areas: medicine and chemistry. These two domains are characterized by access to troves of data that have become challenging to analyze by humans. In the first part of the talk, we will give a short introduction to the field and describe the motivation behind our lab. In the second part of the talk, we will briefly discuss some of our recent application works in medicine, with a focus on interpretability. 

Prelegenci: 

Dr Stanisław Jastrzębski pracuje jako "Chief Scientific Officer" w Molecule.one oraz jest pracownikiem naukowym na Uniwersytecie Jagiellońskim. Pracę doktorską obronił na Uniwersytecie Jagiellońskim pod opieką Prof. Jacka Tabora i Prof. Amosa Storkey (University of Edinburgh). Pracował jako Postdoctoral Fellow na New York University. Aktywnie angażuje się w życie społeczności uczenia maszynowego jako organizator konferencji, członek MLinPL oraz area chair i recenzent. Wierzy, że w przyszłości metody sztucznej inteligencji będą aktywnie pomagały w odkryciach naukowych. W pracy naukowej stara się przybliżyć realizację tej wizji poprzez rozwijanie zastosowań w odkrywaniu leków oraz rozwijanie nowych metod trenowania sieci neuronowych. 

Dr Bartosz Zieliński jest absolwentem Informatyki na Wydziale Matematyki i Informatyki UJ. Doktorat w naukach technicznych w dyscyplinie Informatyka obronił w 2012 roku w Instytucie Podstawowych Problemów Techniki PAN i od tego czasu jest zatrudniony na stanowisku adiunkta w Katedrze Informatyki Stosowanej UJ. Jest autorem i współautorem licznych artykułów w czasopismach z listy filadelfijskiej oraz publikacji na konferencjach NeurIPS, IJCAI i WACV. Obecnie jest członkiem zespołu InfoTech w projekcie FNP Team-Net, dotyczącym sztucznych sieci neuronowych inspirowanych biologicznie. Ponadto, pracuje jako Lead Data Scientist w firmie Ardigen S.A., gdzie wraz z zespołem wdraża modele głębokiego uczenia w problemach obrazowania biomedycznego. 

 

 

 

Tytuł projektu: Innowacyjna diagnostyka mikrobiologiczna z zastosowaniem uczenia maszynowego

Kierownik: dr Bartosz Zieliński

Dyscypliny: biologia, informatyka techniczna

Okres realizacji: 10 miesięcy

Budżet: 50 000 PLN

 

Tytuł projektu: Interpretowalne sieci neuronowe w kontekście procesów poznawczych
Kierownik: mgr inż. Dawid Rymarczyk 

Dyscypliny: informatyka, informatyka techniczna i telekomunikacja

Okres realizacji: 10 miesięcy

Budżet: 20 000 PLN

 

Tytuł projektu: Wyjaśnialność samo-nadzorujących się głębokich sieci neuronowych

Kierownik: inż. Michał Górszczak

Dyscypliny: informatyka

Okres realizacji: 5 miesięcy

Budżet: 15 000 PLN

 

Tytuł projektu: Dochodzenie epidemiologiczne z zastosowaniem samo-nadzorowanego uczenia maszynowego

Kierownik: mgr. Adriana Borowa

Dyscypliny: Informatyka

Okres realizacji: 10 miesięcy

Budżet: 20 000 PLN

 

Tytuł projektu: Mniej zachłanne uczenie się sieci neuronowych
Kierownik: Prof Jacek Tabor 

Dyscypliny: informatyka, informatyka techniczna i telekomunikacja

Okres realizacji: 10 miesięcy

Budżet: 50 000 PLN

 

Tytuł projektu: Wykorzystanie interpolacji do lepszej generalizacji sieci neuronowych

Kierownik: Wiktor Daniec

Dyscypliny: informatyka

Okres realizacji: 10 miesięcy

Budżet: 15 000 PLN

 

Tytuł projektu: Grywalizacja procesu projektowania leków

Kierownik: mgr Tomasz Danel

Dyscypliny: informatyka, informatyka techniczna i telekomunikacja, nauki chemiczne, nauki farmaceutyczne

Okres realizacji: 10 miesięcy

Budżet: 20 000 PLN

 

Tytuł projektu: Stabilność reprezentacji ukrytej molekuł w autoenkoderach

Kierownik: dr hab. Igor Podolak

Dyscypliny: informatyka, nauki chemiczne, nauki farmaceutyczne

Okres realizacji: 12 miesięcy

Budżet: 49 880 PLN

Kontakt: bartosz.zielinski@uj.edu.pl