Maskinlæringsteknikker i demensstudier

I løpet av deres utvikling siden midten av det 20. århundre, har moderne nevrovitenskap og kunstig intelligens (AI) utvekslet inspirasjon, innsikter og verktøy. Graden av sammenfletting av de to feltene har variert gjennom årene, men den har alltid vært til stede. På grunn av den enorme interessen for maskinlæring de siste ti årene, utløst og ledet av de velkjente suksesser innen kunstige nevrale nettverk og deep learning, ser båndet mellom de to feltene ut til å stadig bli sterkere.

Kunstig intelligens og maskinlæring har alltid holdt et blikk på biologisk intelligens og læring, da disse er våre eneste eksempler på generell intelligens og gode evner til læring, noe som inspirerer utvikling av deres mye mindre kapable analoger basert på beregningsmodeller. Den økende interessen for både nevrovitenskap og AI har også ledet til økt interesse for skjæringen mellom disse, i.e. for nevrovitenskapinspirert AI og AI-inspirert nevrovitenskap, og også økt bruk av beregningsorienterte AI-modeller innen nevrovitenskap og kognitive vitenskaper.

Denne avhandlingen forsøker å gi et lite bidrag i denne konteksten, gjennom vår bruk av maskinlæringsteknikker innen studiet av demens basert på data fra longitudinell MRI og psykometrisk testing, og gjennom våre foreslåtte modeller for å simulere aspekt ved dannelsen av hukommelsesnettverk under læring og minneinnhenting.

Samanehs akademiske bakgrunn er forankret i matematikk, og hun tok sin første master i geometri ved Teheran Polytekniske Universitet, Iran. I tillegg har hun en master i anvendt og beregningsmatematikk i porøse medier ved Universitetet i Bergen. Der jobbet hun med simulering av oljereservoarer for en tertiær oljeutvinning kalt mikrobiell forbedret oljeutvinning.

Hun har doktorgrad ved Høgskolen på Vestlandet og i samarbeid med Mohn Medical Imaging and Visualization Center ved Radiologisk avdeling på Haukeland universitetssykehus. Hennes hovedveileder er Alexander S. Lundervold.