Det kan betale sig at være med på et afbud. Da DTU Compute akut manglede hjælp til at sortere i et datasæt trådte studerende til. Arbejdet er endt ud i en videnskabelig artikel, og det giver fordele.
Foto: Aasa Feragen og Eike Petersen fra DTU Compute, og Melani Ganz fra Københavns Universitet. De tre studerende er spredt for alle vinde.
Det er ganske usædvanligt, at bachelorstuderende og masterstuderende bliver involveret i konkrete forskningsprojekter og tilmed er med til at udgive videnskabelige artikler. Der er imidlertid præcis det, som er sket for de to DTU-studerende Oskar Eiler Wiese Christensen og Anders Henriksen, da de var bachelorstuderende på Kunstig Intelligens og Data på DTU Compute og for masterstuderende Maria Luise da Costa Zemsch fra Berlin.
Oprindeligt skulle en udenlandsk postdoc have analyseret et stort, kompleks datasæt med MR-skanninger til påvisning af Alzheimers sygdom, men på grund af sygdom i familien måtte hun rejse hjem efter kort tid. Eftersom forskningssektionen Visual Computing stod med et konkret projekt, der skulle løses, måtte man måtte tænke kreativt.
I stedet blev de tre studerende koblet på projektet, som også en masterstuderende fra Københavns Universitet havde arbejdet på. Deres arbejde blev siden overtaget af postdoc Eike Petersen, og det har mundet ud i en forskningsartikel, som Eike præsenterede ved verdens førende konference for medicinsk billedanalyse, MICCAI i Singapore.
Så nu optræder de studerendes navne side om side med forskernes, og det har gavnet de studerendes muligheder, mener de.
”Det har klart været karrierefremmende at deltage. Jeg er gået direkte på arbejdsmarkedet efter bacheloren,” fortæller Oskar Eiler Wiese Christensen, der ved siden af sit masterstudie i dag arbejder som studentermedarbejder hos McKinsey.
Har givet vigtigt indblik i forskerlivet
Hans medstuderende, Anders Henriksen, arbejder ligeledes ved siden af studierne, og ved jobinterviewet var chefen ret imponeret over den videnskabelige artikel.
”Det er rigtig rart at kunne skrive flere forskellige kompetenceretninger på mit CV, så jeg både har dyb programmeringsviden og akademisk vidensformidling at vise frem. Samtidig har det givet en masse indsigt ikke kun i emnet, man skriver om, men også om hvordan hele processen inden for forskningsverdenen fungerer,” siger Anders Henriksen.
De to studerendes arbejde med datasættet krydsede Maria Luises, da hun skrev sit masterprojekt på DTU, og hun har lignende erfaringer. I dag er hun ph.d.-studerende – ansat på en såkaldt standard-kontrakt på universitetshospitalet Charité i Berlin. Men hun søger om at blive overflyttet til en mere krævende tysk ph.d.-stilling, hvor kun op imod 20 studerende årligt kommer gennem nåleøjet på Charité.
”Der tror jeg, at det er en stor fordel, at jeg har været med til at udgive en videnskabeligt artikel. Og kan dokumentere, at jeg har lært at sortere i data, kan fordybe mig i data og arbejde selvstændigt,” siger Maria Luise.
”Samtidigt har arbejdet også været meget lærerigt, for når man hører forskere fortælle om deres arbejde, lyder det super spændende, og man tænker måske ikke så meget på, hvor krævende det er at ordne data. Så arbejdet med datasættet har hjulpet mig enormt. Nu ved jeg, at data måske udgør 80 procent af forskningen. Så jeg kan anvende både erfaringen og selve publiceringen i min karriere,” siger hun.
På DTU Compute har postdoc Eike Petersen fra forskningssektionen Visual Computing været begejstret for arbejdsformen.
Han tjekkede, at de studerendes behandling af data var rigtig, før han arbejdede videre. Og de studerendes arbejde har nok sparet ham et halv års arbejde.
”De studerende tog sig af det tunge arbejde. Så uden deres hjælp ville det have taget mig meget længere tid. Det har også givet mig mulighed for at teste nye ting af. Og det virkede også attraktivt for dem at lave noget, der potentielt kunne munde ud i et konferenceartikel til MICCAI. Så det er oplagt at gøre sådan igen,” siger Eike Petersen.
Kompliceret datasæt
Datasættet er det første åbne, store datasæt i medical imaging, og det bliver brugt verden over, fordi de mange data gør det muligt at bruge den avancerede form for machine learning ’deep learning’ til analysering.
Ifølge professor Aasa Feragen bygger måske halvdelen af den forskning, der bliver fremlagt på alle konferencer om medicinsk billedanalyse på netop det datasæt. Til trods for det er det et rodet datasæt, hvor det kan være vanskeligt at forstå, hvilke billeder der hører til hvilke patienter.
”Først skal man forstå data af hjernebilleder og forstå udfordringerne, der er i data, og forstå hvilken type software man skal bruge til at processere data, men man skal også forstå data for at tjekke, at man har processeret den rigtigt. Så de studerende brugte lang tid på at sortere i data, og derfor var det en stor fordel, at de kunne tage over for hinanden,” forklarer Aasa Feragen.
”Nu var vi her tvunget til at gribe til co-creating, og det har krævet en stor koordinering af deres arbejde. Men det har også vist, at studenterresearch kan være en stor hjælp, der kan fremskynde arbejdet, samtidig med at de studerende har et relevant projekt at træne på og lære fra. Og det er dejligt, at vi der igennem har mulighed for også at styrke de studerendes karriere,” siger hun.
Vigtig nyt for forskere verden over
Forskningen førte i øvrigt til en overraskende og glædelig konklusion, som ifølge forskerne nok mest er relevant for de mange forskergrupper, der arbejder med netop det datasæt.
Når man analyserede hjerneskanningsbillederne ved hjælp af en machine learnings-model, så opdagede den både mænd og kvinder med Alzheimers, selv om enten patientgrupper med mænd eller kvinder var overrepræsenteret i data. Normalt ville man forvente, at modellen virkede dårligere (bias) på minoritetsgrupper i data, men modellen var meget stabil.