Bröstcancer drabbar en av åtta kvinnor i Storbritannien, och tidig upptäckt är avgörande. ⚕️ Vår senaste forskning i @NatureCancer visar hur AI kan stärka insatserna för tidig upptäckt av bröstcancer. I studier med @imperialcollege och @NHSuk identifierade vårt AI-baserade screeningsystem 25 % fler "intervallcancer" – fall som traditionell screening vanligtvis missar – samtidigt som screeningsbelastningen minskades med uppskattningsvis 40 %. Viktiga fynd från studierna i tråden🧵⤵️

För att utveckla grundläggande AI måste vi lösa kontinuerligt lärande och katastrofal glömska. Ny forskning av vårt team introducerar Nested Learning (NL), ett paradigm som ser en ML-modell som ett system av nästlade optimeringsproblem. Den här metoden förenar arkitektur och optimering, vilket skapar en djupare beräkningskapacitet för inlärning. Detta är ett viktigt steg mot att skapa modeller med de kontinuerliga inlärningsförmågor som ses i den mänskliga hjärnan. Mer i bloggen av Vahab Mirrokni och Ali Behrouz: Läs artikeln NeurIPS 2025:

Övergången till AI på enheten kräver en högre sekretessfält. Vi introducerar Provably Private Insights (PPI) för att möjliggöra viktig utvecklaranalys av GenAI-funktioner med en verifierbar garanti för att råa användardata aldrig exponeras. Det här systemet är en central komponent för att bygga AI på ett ansvarsfullt sätt. PPI använder en Gemma LLM med öppen källkod i en betrodd exekveringsmiljö (konfidentiell federerad analys) för att kategorisera ostrukturerad data och härleda insikter. Endast aggregerad, differentiellt privat statistik lämnar den säkra miljön. Vi har släppt koden för att tillåta extern verifiering av sekretessgarantierna från slutpunkt till slutpunkt. Läs mer om dess implementering i Recorder och vår ritning av Artem Lagzdin och Daniel Ramage: Preprint: