Mønstergjenkjenning og anomalideteksjon i fostermorfologi ved bruk av dyp læring og statistisk læring (PARADISE)

Medfødte anomalier (CA) er den vanligste årsaken til fosterdød, spedbarnsdødelighet og sykelighet. 7,9 millioner spedbarn blir født med CA årlig. Tidlig påvisning av CA letter livreddende behandlinger og stopper utviklingen av funksjonshemminger. CA kan diagnostiseres prenatalt gjennom morfologisk skanning (MS). Uoverensstemmelser mellom pre- og postnatal diagnose av CA når 29 %. En korrekt tolkning av MS tillater en detaljert diskusjon om prognosen med foreldrene. Det sentrale ved PARADISE er utviklingen av et spesialisert intelligent system som bygger inn en komité av dyplærings- og statistiske læringsmetoder, som jobber sammen på en konkurransedyktig/samarbeidende måte for å øke ytelsen til MS-undersøkelser ved å signalisere CA. Ved bruk av preklinisk testing og klinisk validering vil hovedmålet være direkte implementering i klinisk praksis. Dette tverrfaglige prosjektet tilbyr en unik integrasjon av tilnærminger, kompetanse, gjennombrudd i nøkkelapplikasjoner i menneskelig, psykologisk, teknologisk og økonomisk interesse, slik som det "smartere" helsevesenet, og åpner nye forskningsfelt. PARADISE skaper et miljø som bidrar betydelig til helsevesenet, medisinsk og farmasøytisk industri, vitenskapelig samfunn, økonomi og til syvende og sist til hver enkelt. Resultatet vil øke innvirkningen på håndteringen av CA ved å muliggjøre etablering av detaljerte planer før fødselen, noe som vil redusere sykelighet og dødelighet hos spedbarn.