Projekt der anvender deep learning (fully convolutional networks) til automatisk graduering af nethindebilleder og detektion af diabetisk retinopati — trænet på over 35.000 nethindebilleder fra OUH.

Projekt der anvender maskinlæring til automatisk at genkende og klassificere audiogrammønstre i mindst 8–10 af de mest almindelige høretab-subtyper, med henblik på at understøtte klinisk beslutningsstøtte og mulig integration med patientbetjent audiometri (UAud).

Projekt der udvikler NLP-algoritmer til at identificere tidligere episoder af venetromboembolisme i patienters elektroniske journaler og kombinere disse med en blødningsalgoritme for at understøtte kliniske beslutninger om antikoagulationsbehandling.

PhD-forskningsprojekt der udvikler en AI-algoritme til detektion af potentielt maligne lungeforandringer på lavdosis-CT-scanninger med henblik på at understøtte lungekræftdiagnostik og -screening i Danmark.

Digitalt understøttet arbejdsgang der kombinerer teledermatoskopi (Dermloop-platformen) og AI-billedanalyse til at effektivisere diagnostik af mistænkt hudkræft på tværs af sektorer — og reducere ventetider på op til 42 uger.

AI-projekt der udvikler en algoritme til automatisk klassificering af lymfeknodevævsprøver som lav- eller højrisiko (benign/malign) med henblik på at forbedre effektiviteten og præcisionen i kræftdiagnostik ved Patologisk Afdeling på OUH.

Horizon Europe-finansieret projekt der udvikler AI-algoritmer til automatisk billedanalyse ved colon kapselendoskopi (CCE) — et minimalt invasivt alternativ til optisk koloskopi — med 10 europæiske partnere.