Ett forskarteam vid University of Pittsburgh har utvecklat en djup-neural-nätverksmodell som, förutom att diagnostisera mammografier, ger ett individuellt osäkerhetsscore. Metoden, kallad uncertainty-weighted learning (UWL), integrerar osäkerhetsbedömningen i träningsprocessen så att modellen kan flagga svåra fall.

Utvecklingen har möjliggjorts av superdatorn Bridges-2 vid Pittsburgh Supercomputing Center, som erbjuder 47 GPU-noder med totalt 384 moderna GPU:er och minne mellan 128 GB och 2 TB per nod. Dess lagringssystem Ocean ger 15 petabyte med hög åtkomsthastighet, vilket krävs för de stora, högupplösta mammografibilderna.

Resultaten presenterades på SPIE-konferensen i februari 2026. Forskarna menar att ett pålitligt osäkerhetsscore kan minska risken för felaktiga diagnoser och göra AI-stöd mer kliniskt användbart, utan att kompromissa med noggrannheten.