Danielle Belgrave

Danielle Belgrave
Född	Danielle Charlotte Belgrave
Alma mater	London School of Economics (BSc) University College London (MSc) University of Manchester (PhD)
Vetenskaplig karriär
Fält	Statistik Maskininlärning
institutioner	DeepMind Microsoft Research Imperial College London GlaxoSmithKline
Avhandling	Probabilistiska orsaksmodeller för astma och allergier som utvecklas i barndomen ( 2014)
Doktorand rådgivare	Iain Buchan Christopher Biskop Adnan Custovic
Hemsida	microsoft .com /en-us /research /people /dabelgra

Danielle Charlotte Belgrave är en trinidadisk-brittisk datavetare baserad på DeepMind , som använder statistik och maskininlärning för att förstå hur sjukdomar fortskrider.

tidigt liv och utbildning

Belgrave växte upp i Trinidad och Tobago , där hennes matematiklärare på gymnasiet inspirerade henne att arbeta som datavetare . Hon studerade statistik och ekonomi vid London School of Economics (LSE). Hon var doktorand vid University College London (UCL), där hon tog en magisterexamen i statistik. 2010 flyttade Belgrave till University of Manchester , där hon tog en doktorsexamen för forskning under ledning av Iain Buchan , Christopher Bishop och Adnan Custovic (vetenskapsman) med stöd av ett Microsoft Research-stipendium. Hon belönades med Dorothy Hodgkins postgraduate award av Microsoft och Barry Kay Award av British Society of Allergy and Clinical Immunology (BSACI).

Forskning och karriär

Efter examen arbetade Belgrave på GlaxoSmithKline (GSK), där hon belönades med Exceptional Scientist Award. Belgrave började på Imperial College London som statistiker från Medical Research Council (MRC) 2015. Hon utvecklar statistiska maskininlärningsmodeller för att titta på sjukdomsprogression i ett försök att utforma nya hanteringsstrategier och förstå heterogenitet . Statistiska inlärningsmetoder kan informera hanteringen av medicinska tillstånd genom att tillhandahålla ett ramverk för upptäckt av endotyp med hjälp av probabilistisk modellering . Hon använder statistiska modeller för att identifiera de underliggande endotyperna av ett tillstånd från en uppsättning fenotyper .

Hon studerade om atopisk marsch , utvecklingen av allergiska sjukdomar från det tidiga livet, på ett adekvat sätt beskriver atopiska sjukdomar som eksem tidigt i livet. Belgrave använde en latent sjukdomsprofilmodell för att studera atopisk marsch hos över 9 000 barn, där maskininlärning användes för att identifiera grupper av barn med liknande eksemdebutmönster . Hon ingår i studiegruppen för astmaforskningskonsortiet för tidigt liv . Belgrave är intresserad av att använda big data för meningsfull klinisk tolkning, för att informera personliga förebyggande strategier.

Hennes forskning fokuserar på Bayesiansk och statistisk maskininlärning inom sjukvården för att utveckla personlig medicin . Från och med 2019 utvecklar och implementerar Belgrave metoder som integrerar domänkunskap med datadrivna modeller . Hennes forskningsintressen inkluderar latenta variabla modeller , longitudinella studier , överlevnadsanalys , omik , dimensionsreduktion , Bayesianska grafiska modeller och klusteranalys .

Belgrave ingår i projektet regulatoriska algoritmer som utvärderar hur sjukvårdsalgoritmer ska regleras. I synnerhet är Belgrave intresserad av vilket ansvarssystem som bör åläggas artificiell intelligens för sjukvård. Hon tjänstgör i 2019 års organisationskommitté för Conference on Neural Information Processing Systems och som rådgivare för DeepAfricAI.