header-pattern-bg

Nya metoder för att förklara överlevnadsmodellers förutsägelser

Del av fokusområde Hälsoinnovation

Hallå där, Abdallah Alabdallah! Du disputerade nyligen i signal- och systemteknik. Din avhandling har på svenska titeln ”Mot pålitlig överlevnadsanalys med maskininlärningsmodeller”. Vad handlar avhandlingen om?

– Min avhandling fokuserar på hur man kan använda maskininlärningsmodeller för överlevnadsanalys, och den fokuserar särskilt på utmaningar inom så kallad förklarlighet (på engelska explainability) och prestanda. Avhandlingen introducerar nya metoder för att förklara överlevnadsmodellers förutsägelser och för att optimera deras prestanda utan att förlora förklarligheten, vilket är avgörande för applikationer som används inom medicinska studier och prediktivt underhåll. Jag samarbetade med forskare både från Högskolan i Halmstad och andra lärosäten, bland annat AGH University of Science och Jagiellonian University in Kraków, båda i Polen.

Man med glasögon, skjorta och kostym. Foto.

Abdallah Alabdallah disputerade i januari 2025.

Vad är resultatet av din forskning?

– Min forskning har lett till flera upptäckter, såsom effektiva post-hoc-metoder för att förklara överlevnadsmodeller, förbättrad prestanda för överlevnadsmodeller samt utvecklingen av en i sig själv förklarlig överlevnadsmodell som balanserar transparens och prediktiv förmåga. En oväntad upptäckt var att gradienten av förlustfunktioner för censurerade fall avsevärt förbättrar modellöverensstämmelse, och detta var avgörande för att utveckla bättre överlevnadsmodeller.

Några av Abdallah Alabdallahs upptäckter

  • Effektiva post-hoc-metoder för att förklara överlevnadsmodeller, till exempel funktionstillskrivning och kontrafaktiska förklaringar
  • Förbättrad prestanda för överlevnadsmodeller genom nya förlustfunktioner och algoritmer som tar hand om brusiga data
  • Utvecklingen av en i sig själv förklarlig överlevnadsmodell (CoxSE) som balanserar transparens och prediktiv förmåga

Hur kan din forskning gagna samhället?

– Min forskning kan förbättra beslutsfattande inom kritiska områden, såsom sjukvård och industriell säkerhet, genom att erbjuda pålitliga och förklarliga förutsägelser som främjar förtroende när det kommer till AI-system. Mitt arbete minskar gapet mellan högpresterande överlevnadsmodeller för maskininlärning och behovet av deras förklarlighet, vilket blir allt viktigare i applikationer som ska användas inom utmanande områden.

Elektrisk buss. Foto.

Abdallah Alabdallahs forskning kan förbättra beslutsfattande inom till exempel industriell säkerhet.

Och slutligen, vad har du för planer för framtiden?

– Jag strävar efter att fortsätta forska kring pålitlig AI, med fokus på praktisk implementering i sjukvården och industrin. Jag vill även utforska fler dimensioner kopplade till pålitlighet, såsom stabilitet och osäkerhet.

Abdallah Alabdallahs utbildningsbakgrund

Abdallah Alabdallah har en kandidatexamen i mjukvaruteknik från Damascus University i Syrien och en masterexamen i intelligenta system från Högskolan i Halmstad. Hans intresse för ämnet förklarlighet (på engelska explainability) började när han skrev på sin masteruppsats, vilken handlade om att förklara AI-modeller som hade tagits fram för att behandla och analysera bilder. Han valde Högskolan i Halmstad för sina doktorandstudier tack vare lärosätets forskning inom maskininlärning och dess mångvetenskapliga inriktning vad gäller AI-applikationer, och samarbetet med viktiga partner inom industrin.

Abdallah Alabdallahs doktorandstudier har förbättrat hur AI förutsäger och förklarar den förmodade tidsperioden tills det att en specifik händelse sker, till exempel hur länge en maskin kommer att fungera eller hur en patient kan komma att svara på sin behandling. Han har skapat verktyg som gör de här förutsägelserna mer korrekta och lättare att förstå, vilket hjälper människor att lita på AI inom kritiska områden såsom sjukvården och industrin.

Text: EMMA SWAHN
Porträttbild: MAGNUS KARLSSON
Toppbild: PIXABAY
Genrebild: ISTOCK

Fotnot. Post hoc-metoder är metoder som appliceras efter att förutsägelser har skett.