Kelley Marie Swanberg

Om mig

Kelley M. Swanberg, Ph.D., är en biomedicinsk ingenjör specialiserad inom metoder och tillämpningar av klinisk och preklinisk in vivo protonmagnetresonansspektroskopi (¹H MRS) och avbildning (MRI) vid ultrahöga fält (7+ tesla). Hon tog sin kandidatexamen i neurobiologi vid Harvard University i Cambridge, Massachusetts, USA, sin masterexamen i East-West Medicine, koreansk medicin, vid Kyung Hee University i Seoul, Sydkorea, samt sin masterexamen och doktorsexamen i biomedicinsk teknik vid Columbia University i New York, USA.

Sedan hon började sin karriär inom magnetresonans (MR) vid Yale School of Medicine Magnetic Resonance Research Center (MRRC) år 2015 har Kelley haft ett metodologiskt intresse för att tänja på gränserna för syntetisk data och multivariat analys av denna, såsom maskininlärning och dess generativa kusiner, för att förstå och kontrollera de fel inneboende i MR-datainsamlingar. Hon är tematiskt intresserad av att använda dessa datainsamlingar, tillsammans med experter inom icke-MR-metoder såsom immunohistokemi (IHC), ultrahögpresterande vätskekromatografi med tandem-masspektrometri (UPLC-MS/MS) med mera, för att bättre förstå – så icke-invasivt och likvärdigt som möjligt i både prekliniska modeller och hos mänskliga patienter – de många uttrycken och grundläggande mekanismerna bakom neurodegeneration.

Inom EISLAB (Embedded Intelligent Systems) vid Institutionen för system- och rymdteknik vid Luleå tekniska universitet undervisar Kelley i kurser om bästa praxis för tillämpning av artificiell intelligens på komplexa problem inom sjukvård och biomedicinsk forskning, särskilt bilanalys.

Som forskare vid Lunds universitets medicinska fakultet leder Kelley utvecklingen av en ny MR-baserad metod för att icke-invasivt spåra potentiellt kliniskt betydelsefull eliminering av hjärnans lösta ämnen via cerebrospinalvätska (CSV) hos både musmodeller och människor. Hon leder också studier som karakteriserar de vaskulära, metabola och anatomiska signaturerna vid tidig neurodegeneration i musmodeller av Alzheimers-liknande beta-amyloidaggregation, samt för att noggrant validera potentialen hos språkmodellbaserad artificiell intelligens (AI) för att effektivisera omfattande litteraturgenomgångar inom icke-invasiv magnetresonansforskning om neurovätskedynamik samt Alzheimers sjukdom.