Streszczenie (autorskie):

Diagnostyka zaburzeń psychicznych na podstawie danych tekstowych to nowy obszar zastosowań dla przetwarzania języka naturalnego, a w szczególności metod uczenia maszynowego i głębokiego uczenia. Omówimy serię eksperymentów wykonanych na polskojęzycznych danych tekstowych dotyczących zaburzeń ze spektrum autyzmu i schizofrenii. Wystąpienie rozpoczniemy od analizy obydwu zaburzeń oraz przedstawienia narzędzi diagnostycznych: TLC i ADOS-2, wraz z charakterystyką zebranych danych. Przedstawimy efekty zastosowania metod słownikowych, mierzących takie wymiary jak poziom abstrakcji językowej oraz wydźwięk. Następnie przejdziemy do prób automatycznego diagnozowania obydwu zaburzeń. Porównamy skuteczność: (1) tradycyjnych narzędzi diagnostycznych TLC i ADOS-2, (2) metod uczenia maszynowego i głębokiego uczenia zastosowanych do danych zgromadzonych przez te narzędzia oraz (3) psychiatrów. Omówimy skuteczność najprostszych metod typu bag-of-words, metod słownikowych, a także głębokich sieci neuronowych. Przedstawimy eksperymenty z transfer learning, a także uczeniem w scenariuszach zero-shot i few-shot, dedykowanych sytuacjom o małej liczebności danych, co jest typowym problemem w warunkach klinicznych. Psychiatria to jedna z nielicznych dziedzin medycyny, w których diagnoza większości zaburzeń opiera się na subiektywnej ocenie psychiatry. Nasze prace są krokiem w kierunku wprowadzenia zautomatyzowanych i obiektywnych narzędzi wspomagających diagnostykę.

Streszczenie (autorskie):

Prezentujemy eksperymentalne narzędzie do weryfikacji zdolności strategicznych przy niepełnej informacji, jak również do syntezy strategii. Problem ten jest dobrze znany i trudny obliczeniowo, zarówno od strony teoretycznej jak i od strony praktycznej. Narzędzie o nazwie Strategic Verifier (STV) zawiera implementację kilku współczesnych algorytmów redukcji i weryfikacji modelowej, których celem jest przezwyciężenie złożoności, zarówno czasowej jak i pamięciowej. Wśród zaimplementowanych metod znajdują się algorytmy oparte o aproksymacje stałopunktowe, dominacje strategii a także redukcje częściowo-porządkowe.

Streszczenie (autorskie):

Glejak jest najczęstszym typem złośliwego nowotworu mózgu. Jak w przypadku wielu nowotworów, przyczyny powstawania i rozwijania się glejaka są złożone i, mimo iż intensywnie badane przez zespoły naukowców na całym świecie, wciąż niejasne. Jedną z często wskazywanych aberracji genetycznych leżących u podstaw choroby jest mutacja w genie IDH1. Sądzi się, że ma ona wpływ na dynamikę rozwoju choroby i raportowanych jest coraz więcej badań na jej temat, ale całościowy wpływ mutacji genu IDH1 na proces onkogenezy (rakowacenia) nie jest jeszcze w pełni wyjaśniony. Nasze badania dotyczą tego problemu. Pierwotny materiał badawczy stanowiły próbki glejaka pobrane od pacjentów w trakcie operacji. Próbki te zostały poddane szeregowi eksperymentów laboratoryjnych, które dostarczyły danych na temat kilku różnych warstw informacji genetycznej. Uzyskane dane wykorzystaliśmy do przeprowadzenia analizy porównawczej między próbkami o różnym statusie genu IDH1: "IDH1-mutanty" zostały porównane do tak zwanych "IDH1-dzikich" (bez mutacji; z angielskiego "wild type"). Uzyskaliśmy wyniki, które wskazują na konkretne następstwa mutacji genu IDH1 i sugerują, jak kaskada kolejnych zdarzeń wywołanych przez tą mutację może wpływać na rozwój choroby. Mutacja genu IDH1 wywołuje efekt domina, zaburzając regulację kolejnych genów — pokazujemy, jak może to przebiegać i które geny są docelowo zaburzone. Mamy nadzieję, że raportując różnice genetyczne pomiędzy IDH1-mutantami a IDH1-dzikimi przyczynimy się do zrozumienia złożonych następstw mutacji genu IDH1. Jednocześnie należy mieć na uwadze fakt, że użyliśmy metod obliczeniowych, a obserwowana przez nas statystyczna istotność wyników nie jest wystarczającym dowodem na ich prawdziwy efekt biologiczny. Aby uzyskać większą pewność w tym zakresie należałoby zaprojektować i przeprowadzić odpowiednie eksperymenty biologiczne.

Streszczenie autorskie:

Automatyczna klasyfikacja niewiarygodnych treści medycznych jest zadaniem niezwykle trudnym. Ekspercka ocena jest bowiem obarczona dużym skrzywieniem interpretacyjnym, które jest zależne od indywidualnych doświadczeń klinicznych danego lekarza. Ponadto, prosta ocena faktograficzna okazuje się niewystarczająca do określenia wiarygodności tego typu treści. Podczas seminarium przedstawię efekty moich i zespołu wysiłków w kierunku optymalizacji procesu adnotacji. Zaproponowaliśmy metodę szeregowania zdań, dzięki której zdania o niższej wiarygodności z większym prawdopodobieństwem zostaną umieszczone na początku kolejki do oceny. Przedstawię również nasze propozycje rozszerzenia instrukcji dla adnotatorów, mającej na celu zwiększenie spójności ocen. Na koniec zaproszę do dyskusji na temat potencjalnych kierunków badań w celu wykrywania szkodliwych narracji w tzw. fake newsach medycznych.