Viena iš didžiausių problemų, susijusių su medicininių vaizdų diagnostikos sistemų kūrimu, yra duomenų kokybė ir kiekis. Giluminio mokymosi algoritmams reikia labai daug duomenų, kad jie galėtų mokytis ir veikti tiksliai. Tačiau medicininiuose vaizduose dažnai trūksta kokybės: jie gali būti žemo kontrasto, turėti triukšmų ar net būti neišsamūs. Be to, tokių duomenų yra labai mažai, o gauti juos sudėtinga, nes ligoninės ir kiti medicinos centrai griežtai riboja prieigą dėl privatumo ir teisinių reikalavimų. Kitas iššūkis – skirtingų diagnostikos sistemų nesuderinamumas. Pavyzdžiui, MRT (magnetinio rezonanso tomografija) ir PET (pozitronų emisijos tomografija) vaizdai dažnai analizuojami atskirai, nors jų integravimas galėtų padidinti diagnozės tikslumą. Dėl šios atskirties diagnozės kartais būna neišsamios ar net netikslios. Esamos diagnostikos technologijos dažnai veikia atskirai, o informacija iš skirtingų vaizdavimo modalumų, tokių kaip MRT ir PET, nėra efektyviai integruojama. Tai riboja diagnozės tikslumą ir kompleksiškumą. Medicininiai vaizdai dažnai būna žemo kontrasto ir triukšmingi, o tai dar labiau apsunkina tikslią diagnostiką. Be to, giluminio mokymosi modeliai, nors ir efektyvūs, reikalauja didžiulių duomenų rinkinių, kad pasiektų optimalų tikslumą. Trūkstant kokybiškų duomenų, sumažėja modelių našumas. MB Amber research siekia sukurti inovatyvią ekspertų maiša DI architektūra grįstą medicininių vaizdų diagnostikos sistemą, skirtą analizuoti įvairių modalumų medicininius vaizdus, tokius kaip MRI, CT, akies ir dermatoskopiniai vaizdai, tam bus panaudota Mixture of Experts (MoE) architektūra, kurią sudaro daugybė specializuotų modelių (ekspertų), skirtų įvairių tipų užduotims spręsti, ir valdymo mechanizmas (gating mechanism), kuris nukreipia įeinančius duomenis į tinkamus ekspertus. Ši architektūra yra ypač tinkama sudėtingų ir daugiarūšių medicininių vaizdų diagnostikos sistemų kūrimui, kokią ir numato įgyvendinti projektas, nes leidžia pasiekti aukštą tikslumą, efektyvumą ir adaptaciją prie skirtingų diagnostikos scenarijų. MoE architektūra suteikia galimybę pritaikyti skirtingus ekspertus kiekvienam vaizdo modalumui ar patologijos tipui . Pavyzdžiui, ekspertų tinklai, specializuoti MRI duomenų segmentacijai, gali veikti kartu su ekspertais, pritaikytais CT ar dermoskopijos vaizdų analizei. Šis modulinis požiūris užtikrina tikslesnę diagnostiką, nes kiekvienas ekspertas optimizuojamas tam tikram duomenų tipui ir užduočiai. Projekte numatoma integruoti automatizuotą medicininių vaizdų segmentacijos ir klasifikacijos funkcionalumą. MoE architektūra leidžia efektyviai spręsti šias užduotis, paskirstant jas atskiriems ekspertams pagal duomenų struktūrą ar patologijos sudėtingumą . Pavyzdžiui, vienas ekspertas gali būti atsakingas už smulkios tekstūros patologijų segmentaciją, o kitas – už gilių erdvinių struktūrų analizę. Tokiu būdu MoE padeda išvengti perteklinių skaičiavimų, nes kiekvienas ekspertas aktyvuojamas tik tada, kai jo žinios yra būtinos, ir tik tam tikro tipo vaizdui, kurio pagrindu siekiama diagnozuoti.