Wielomodalne uczenie grafów dla złożonej fuzji danych i reprezentacji grafów zorientowanych na interakcje pomiędzy

Projekt polega na opracowaniu podejścia do uczenia grafowego, które umożliwi integrację i przetwarzanie różnorodnych typów danych medycznych, takich jak obrazy medyczne, dane kliniczne, dane tabelaryczne (np. cechy radiomiczne) oraz informacje tekstowe. Głównym celem jest poprawa skuteczności predykcji w aplikacjach medycznych poprzez efektywne wykorzystanie heterogenicznych danych. Jednym z zadań projektu jest połączenie danych multimodalnych w spójną reprezentację grafową, co pozwoli na lepsze modelowanie złożonych relacji oraz zwiększenie dokładności i wiarygodności prognoz w kontekście złożonych scenariuszy medycznych. W ramach projektu opracowany zostanie zestaw narzędzi i metod do oceny oraz porównania różnych podejść do fuzji danych i generacji grafów z dostępnych nieustrukturyzowanych danych, a także wybrane i zaadaptowane zostaną najlepsze podejścia do identyfikacji kluczowych jednostek grafu oraz charakteryzacji ich interakcji. Poza tym, projekt skupi się również na analizie i doskonaleniu metod propagacji informacji w sieciach grafowych, które umożliwią lepsze wykorzystanie informacji zawartych w wielomodalnych danych.

Ostatecznym celem jest stworzenie modelu głębokiego uczenia, który będzie w stanie uchwycić złożone relacje w wieloreprezentacyjnych danych multimodalnych. Model ten zostanie oceniony pod kątem skuteczności predykcji, a także przejrzystości wyjaśnień, co jest kluczowe w zastosowaniach krytycznych, takich jak aplikacje medyczne, gdzie interpretowalność modeli jest niezbędna do wspierania decyzji.