Logotyp KTH Logotyp Karolinska Institutet Logotyp Region Stockholm

Forskningsprojekt

Med teknikens hjälp kommer patienter med stroke, hjärt- och kärlsjukdomar, cancer och inflammatoriska tillstånd att kunna få betydligt bättre diagnoser och behandlingar.

  • Filter

Kliniska studier

En förutsättning för att säkerställa klinisk relevans i projekten vid MedTechLabs är att patienter och friska personer deltar i…

AI-generated picture of a human brain

Program: Klinisk tillämpning av nästa generations hjärnmagnetisk resonanselastografi för neurodegenerativa sjukdomar och hjärntumörer

Programmets fokus ligger på att utveckla nya lösningar för att förstå hur hjärnans vävnad förändras när den utsätts för…

Picture of a newborn held by a healthcare professional

Program: Kontinuerlig laktatmätning och förebyggande av hypoxi hos foster under förlossningen

Dagens metoder för fosterövervakning har svagheter och forskarna i detta nya program siktar på att förbättra dessa för att…

Seminarium om Bioelektronisk medicin | 2018-11-06

"Molecular Mechanisms in Bioelectronic Medicine: Lab to clinic."

Projekt: Longitudinell patientmonitorering

Forskningsledare Peder Olofsson, Karolinska Institutet och Henrik Hult, KTH

Projekt: Automatiserad monitorering av inflammationsintensitet

Forskningsledare Peder Olofsson, Karolinska Institutet och Henrik Hult, KTH

Projekt: Ny teknik för minimalinvasiv nervstimulering

Forskningsledare Peder Olofsson, Karolinska Institutet och Henrik Hult, KTH

Den översta raden (i svartvitt) visar mammografibilder med en framväxande tumör inritad (t.t.d.=tid till diagnos): 4,2 år före diagnos, 2,1 år före diagnos och vid diagnos. Den nedre raden (i blått) visar hur två olika AI-nätverk bedömt bilderna. De tre bilderna till vänster illustrerar ett AI-nätverk tränat på att upptäcka generell riskinformation (“Inherent risk model”), medan de tre bilderna till höger illustrerar ett annat AI-nätverk tränat på att upptäcka tumörförändringar (“Cancer sign")

Projekt: AI-modeller för detektion av bröstcancer, mammografisk detekterbarhet inom radiologi

Forskningsledare Kevin Smith, KTH och Fredrik Strand, Karolinska Institutet

Idag finns det stor variation i bedömningen av bilder eftersom vi människor bedömer olika. AI ska kunna hitta information i bilderna som vi inte kan upptäcka.

Projekt: AI-modell för detektion och klassificering av bröstcancer inom histopatologi

Forskningsledare Johan Hartman och Mattias Rantalainen, Karolinska Institutet

Genom 3D-mikroskopi kan njurens filterstrukturer, de 200–500 nanometer breda fotutskotten, visualiseras med ljusmikroskopi (vänstra bilden). Det möjliggör en enkel automatisk analys och kvantifiering av njurens hälsotillstånd (högra bilderna), med möjlig användning inom klinisk njurdiagnostik.

Projekt: Optisk 3D-mikroskopi för mer effektiv behandling av njursjukdomar

Automatisk bildanalys av morfologiska förändringar kommer att ge en snabbare, säkrare och kvantitativ förbättrad analys av njursjukdomars utveckling.