Doktorsvörn í lífverkfræði - Chadi Barakat

Streymi

Doktorsefni: Chadi Barakat

Heiti ritgerðar: Hönnun og mat á samhliða og skalanlegum vélnámsaðferðum við líkanagerð í heilbrigðisverkfræði (Design and Evaluation of Parallel and Scalable Machine Learning Research in Biomedical Modelling Applications)

Andmælendur:
Dr. Róbert Lovas, varaforstöðumaður Laboratory of Parallel and Distributed Systems, Institute for Computer Science and Control (SZTAKI) í Búdapest, Ungverjalandi
Dr. Maximilian Franz Schulze-Hagen, yfirráðgjafi geislalækninga á Borgarlæknastöðinni í Solingen, Þýskalandi

Leiðbeinandi: Dr. Morris Riedel, prófessor við Iðnaðarverkfræði-, vélaverkfræði- og tölvunarfræðideild og yfirmaður rannsóknarhóps um gagnavinnslu með mikla framleiðni, Jülich Supercomputing Centre, Þýskalandi

Einnig í doktorsnefnd:
Dr. Sigurður Brynjólfsson, prófessor við Iðnaðarverkfræði-, vélaverkfræði- og tölvunarfræðideild HÍ
Dr. Andreas Schuppert, prófessor og forstöðumaður Joint Research Center for Computational Biomedicine við RWTH Aachen University, Þýskalandi
Dr. Sebastian Fritsch, læknir við gjörgæsludeild RWTH Aachen háskólasjúkrahúss, Þýskalandi

Doktorsvörn stýrir: Dr. Helmut Wolfram Neukirchen, prófessor og varadeildarforseti Iðnaðarverkfræði-, vélaverkfræði- og tölvunarfræðideildar HÍ.

Ágrip

Notkun vélnámsaðferða (ML) í læknavísindum er ekki ný af nálinni og hafa nokkrar greinar verið birtar um rannsóknir á því sviði. Þessar rannsóknir hafa hjálpað til við að greina læknisfræðilegar myndir, búa til svörunarlíkön fyrir hjarta- og æðakerfi og spá fyrir um útkomu sjúkdóma meðal margra annarra notkunarmöguleika. Markmið þessarar doktorsrannsóknar er að beita slíkum ML-aðferðum við greiningu á bráðu andnauðarheilkenni (ARDS), alvarlegum sjúkdómi sem hrjáir um einn af hverjum 10.000 sjúklingum á heimsvísu á ári hverju með lífshættulegum afleiðingum. Til að framkvæma þessa greiningu notum við áður þróaðar aðferðir við líkanasmíði, s.s. „Nottingham Physiological Simulator“, sem nota má til að auka skilning á framvindu ARDS-sjúkdómsins. Nýtt er vaxandi umfang læknisfræðilegra gagnasafna sem eru aðgengileg til rannsókna (þ.e. „stórgögn“), framfarir í vélnámi til að þróa, þjálfa og besta líkanaaðferðirnar. Einnig er nýtt tiltæk einingaskipt högun ofurtölva, „Modular Supercomputing Architecture“ (MSA), sem er þróuð sem hluti af „Dynamical Exascale Entry Platform“ - Extreme Scale Technologies (DEEP-EST) verkefnisáætlun ESB til að kvarða og hraða líkanasmíðinni. Þetta doktorsverkefni er einn þáttur í SMITH-verkefninu (e. Smart Medical Information Technology for Healthcare) þar sem sérfræðingar í klíník og læknisfræði geta staðfest rannsóknina (t.d. Uniklinik RWTH Aachen).

Um doktorsefnið

Chadi Barakat fæddist í Beirút í Líbanon árið 1988. Hann lauk bakkalárgráðu í tölvu- og samskiptaverkfræði með áherslu á lífvísindi og heilbrigðisgreinar við American University of Science and Technology í Beirút í Líbanon árið 2012 og starfaði eftir það við uppsetningu, viðhald og umsjón með tækjabúnaði við helstu sjúkrahús í Líbanon.

Árið 2019 lauk Chadi meistaragráðu í lífverkfræði við Háskóla Íslands og hóf hann í kjölfarið doktorsnám í lífverkfræði við Háskóla Íslands og ofurtölvusetur Rannsóknarmiðstöðvarinnar í Jülich í Þýskalandi.

Í rannsóknum sínum hefur Chadi lagt megináherslu á beitingu vélræns náms (e. machine learning) til að greina og skilja klínísk gögn og þróun líkana sem stutt geta við sjúkdómsgreiningu. Enn fremur hefur hann unnið að því að hraða, fínstilla og uppskala líkönin með því að nýta stórvirka tölvuvinnslu (e. high-performance computing).