Forskarprofil: Nataša Sladoje

Nataša är professor i datoriserad bildanalys. Hon utvecklar algoritmer som gör det möjligt att effektivt och tillförlitligt, med hjälp av datorer, extrahera och tolka information från digitala bilder.

"Vi människor bearbetar enorma mängder information genom vårt visuella system och betraktar syn som det viktigaste av våra sinnen. Utveckling av metoder som möjliggör automatiserad analys av den enorma och snabbt växande mängden visuell data som inhämtas av ett överflöd av olika sensorer inom en mängd olika applikationsområden är inte bara väsentligt för utvecklingen av dessa områden, det är också något som intresserar människor på en grundläggande nivå. Vi gillar helt enkelt att lära våra datorer att "se" vad vi själva kan se!"

Nataša började sin akademiska karriär inom matematik och fann så småningom intresse för visuell dataanalys.
"Min bakgrund är i matematik och min ingång till området digital bildanalys var via diskret geometri, som är ett av de grundläggande teoretiska ramverken för att representera och tolka digitala bilder. Jag blev fascinerad av intuitiviteten och tolkningsbarheten hos många teoretiska resultat i diskret geometri, när de väl sattes i ett sammanhang med visuell dataanalys."

Inom detta område är det inte ovanligt att man samarbetar med forskare och yrkesverksamma från många olika delar av samhället. Detta är inte förvånande, med tanke på hur viktig bearbetning av visuell data har blivit, och hur mångsidig denna data är.
"Datoriserad bildanalys är ett mycket tvärvetenskapligt område. Bilder är signaler, big data, abstrakta matematiska strukturer och visuella representationer av fenomen i en mängd olika tillämpningar. Det kräver vanligtvis samarbete av ett helt gäng experter – fysiker och ingenjörer, datavetare, datavetare, statistiker och matematiker, och experter med specialiserad kunskap – läkare, astronomer, arkeologer, livsforskare … – för att göra det möjligt för en dator att göra det vi människor kan göra så naturligt – bearbeta och tolka visuell data."

"Inom biovetenskap kan kraftfulla och komplexa avbildningstekniker avslöja en mängd egenskaper hos ett föremål av intresse – morfologi, dynamik, funktion – men oftast bara en sådan egenskap åt gången", förklarar Nataša.

För att nå en helhetssyn måste vi kombinera flera olika tekniker, inklusive AI-baserade.
"För en fullständig förståelse av föremålen av intresse och processer som involverar dem, måste olika komplementära tekniker kombineras. Jag är intresserad av utvecklingen av AI-baserade metoder som möjliggör tillförlitlig, tolkningsbar och pålitlig användning och analys av informationsrika multimodala bilddata, särskilt inom biomedicin."

"AI-baserade metoder, och särskilt de som bygger på djupinlärning, är numera dominerande inom bildanalysområdet, på grund av deras generellt enastående prestanda. De har potential att möjliggöra integration och analys av heterogen multimodal information i de mest utmanande scenarierna", säger hon.

"En förutsättning för utnyttjande av AI-stödda analys- och beslutssystem inom biomedicin och hälso- och sjukvård är tolkningsbarheten av de erhållna resultaten. Läkare måste ges sätt att förstå grunden för besluten, vilket gör att de kan avgöra om de kan lita på systemet. Vi strävar efter lösningar baserade på Explainable Artificial Intelligence (XAI). Pålitliga AI-system kommer att öppna många vägar mot upptäckten av ny kunskap inom vetenskapen, genom att lyfta fram relevanta mönster och inbördes samband i data som vi inte var medvetna om tidigare."

Utveckling av dessa metoder är ett aktivt och växande forskningsfält; Natašas forskargrupp MIDA (Methods for Image Data Analysis) har föreslagit flera nya sätt hur AI kan användas för förbättrad bildanalys.
"Vi utvecklar AI-baserade metoder för multimodal bildanalys, särskilt i samband med cancerdetektering. Våra metoder för multimodal bildanpassning når toppmodern prestanda i flera multimodala biomedicinska och medicinska tillämpningsscenarier. Metoderna delas offentligt och används av andra forskare. Vi integrerar dem nu i vårt utvecklade AI-baserade beslutsstödssystem för detektion av oral cancer. Vi tror att genom att använda mångsidig multimodal information kan vi öka både tillförlitligheten och tolkningsbarheten av systemet."

Forskargruppen MIDA samarbetar aktivt med experter inom life science och hälso- och sjukvård.
"Flera tidigare och nuvarande medlemmar i MIDA, forskargruppen som jag leder på IT-avdelningen, har ett nära samarbete med medarbetare från life science och sjukvård. Tillsammans planerar vi att tillämpa våra utvecklade metoder i olika scenarier inom biomedicin, och att utvärdera deras potential att främja vardagssjukvården, i synnerhet för förbättrad cancerupptäckt, men också för bättre förståelse av sjukdomen."

Nataša är också gruppledare i det internationella nätverket COMULIS.
"Ett stort europeiskt COST-nätverk COMULIS (Correlative Multimodal Imaging in Life Sciences), där jag fungerar som arbetsgruppsledare, tillhandahåller en rik internationell tvärvetenskaplig vetenskaplig miljö som ytterligare stimulerar synergier mot spännande forskning inom biovetenskap och metodutveckling av avancerad beräkningsteknik."

Men det kommer också med sina egna svårigheter.
"Som ofta inom mycket tvärvetenskapliga områden är en stor utmaning att lära sig att kommunicera med medarbetare från olika vetenskapliga bakgrunder, hitta ett gemensamt språk över disciplinerna och förstå behoven och begränsningarna för olika metoder som är involverade. Men detta är avgörande för framgång, och är (när det väl har uppnåtts) också mycket inspirerande och givande."

Några avslutande ord från Nataša.
"Digitala bilder är alltid bara approximationer av objekten och scenerna från den verkliga världen. Avbildningstekniker begränsas av de underliggande fysiska processerna, såväl som optimerade avbildningsförhållanden (t.ex. för att förhindra skador som kan orsakas). Även om mängden insamlad data är enorm, verkar dess informativa innehåll ofta vara otillräckligt. Forskare (och människor i allmänhet) kommer alltid att vilja se fler, mindre, snabbare händelser och objekt – för att föreställa världen med fler detaljer och skarpare färger."

"Jag har arbetat mycket med att utveckla metoder som maximerar informationen som utvinns från tillgänglig data. Dessa inkluderar metoder för att kompensera för begränsad bildupplösning när man utför exakta mätningar av objekt. Tillvägagångssätt för att förbättra kvaliteten på bilder som tagits under specifika begränsningar, och – vad jag är mest intresserad av just nu – metoder för att på ett meningsfullt sätt kombinera heterogen information från bilder som förvärvats av olika sensorer för att nå nya och högre nivåer av förståelse för komplexa fenomen", säger Nataša.

Och i framtiden?
"Med tanke på att modern bildanalys i hög grad förlitar sig på artificiell intelligens, maskininlärning och datadrivna tillvägagångssätt så är ett mycket viktigt nästa steg att utveckla metoder för att lära våra automatiserade system att "resonera". Att gå längre än att upptäcka mönster (korrelationer) i data, mot att förstå orsakssamband och (kanske till och med) nå verkligt intelligenta beteenden."

"Detta är dock ett långsiktigt mål, men vi tar hela tiden små steg framåt. Vi är mycket intresserade av att vara med på den resan!"

Intervju av Victor Kuismin, 18 mars, 2022