2013-2015 PROMISE – Εξατομίκευση θεραπευτικών προσεγγίσεων κατά του μελανώματος με σύζευξη μεθοδολογιών συστημικής βιολογίας και ευφυών μεθοδολογιών εξόρυξης δεδομένων
Βασικό στόχο του έργου αποτελεί η ανάπτυξη μεθοδολογίας στη μεταφραστική βιοϊατρική έρευνα του μελανώματος, μέσα από ένα αναλυτικό, ιεραρχημένο, πολυεπίπεδο πλαίσιο, που ενσωματώνει μοριακά δεδομένα μεγάλου όγκου (τύπου –omics), δεδομένα βιοϊατρικής απεικόνισης, καθώς και κλινικά δεδομένα μελανώματος και τεχνικών εξόρυξης δεδομένων από τη βιβλιογραφία. Τελικός στόχος είναι η ενσωμάτωση όλων των πληροφοριών σε μια γνωσιακή βάση δεδομένων με το όνομα PROMISE.

2013-2105 PINCLOUD – Παροχή Ολοκληρωμένων Υπηρεσιών Ηλεκτρονικής Υγείας για Εξατομικευμένη Ιατρική με τη Χρήση Υπολογιστικού Νέφους
Βασικό στόχο του έργου αποτελεί η ανάπτυξη μεθοδολογίας και συστήματος για την παροχή μιας από άκρο-σε-άκρο (end–to–end) προσωποποιημένης παρακολούθησης της ασθένειας και υπηρεσιών διαχείρισης ιατρικών δεδομένων «οποιαδήποτε ώρα, οπουδήποτε», οι οποίες να εξασφαλίζουν την ανεξάρτητη διαβίωση του ασθενούς, ανεξάρτητα από την ηλικία του.

2018-2021 TRANSITION – Μεταφράζοντας την διαγνωστική πολυπλοκότητα του μελανώματος σε ορθολογική θεραπευτική  διαστρωμάτωση. Βασικό στόχο του έργου αποτελεί η πολυεπίπεδη μελέτη του Δερματικού Μελανώματος μέσω της ευφυούς συνδυαστικής ανάλυσης δημογραφικών, κλινικών, απεικονιστικών και μοριακών δεδομένων.

2020 – 2022 MEDILUDUS -Προσωποποιημένη ιατρική φροντίδα μέσω παιχνιδιών και παιχνιδοποίησης. Στο έργο προτείνεται η ανάπτυξη ενός ολοκληρωμένου συστήματος ιατρικής παρακολούθησης στο σπίτι και παροχών προτάσεων για τη βελτίωση των συνθηκών ζωής για ηλικιωμένους που διαβιούν μόνοι ή χωρίς συνεχή παρακολούθηση και υποστήριξη στο σπίτι. Έργο στο πλαίσιο του Επιχειρησιακού Προγράμματος “Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία” (ΕΠΑνΕΚ)

2021 – 2023 DFVA – Ανάλυση Βίντεο Ποδοσφαίρου με Τεχνικές Βαθιάς Μάθησης. Το έργο αφορά στην επεξεργασία δεδομένων των αθλητών κατά τη διάρκεια των ποδοσφαιρικών αγώνων με στόχο την αυτόματη αναγνώριση της ποδοσφαιρικής τους απόδοσης στον αγώνα καθώς και τα ατομικά αλλά και ομαδικά χαρακτηριστικά που προκύπτουν από μία τέτοιου είδους επεξεργασία. Η επίτευξη του παραπάνω στόχου θα γίνει με χρήση τεχνικών βαθιάς μηχανικής μάθησης (deep learning) και νευρωνικών δικτύων (neural networks). Με τον τρόπο αυτό, θα είναι δυνατή η εξαγωγή ποσοτικών και ποιοτικών στοιχείων που σχετίζονται με τις επιδόσεις αλλά και την τακτική των ομάδων και των αθλητών. Η υλοποίηση  θα πραγματοποιηθεί συνδυάζοντας συστήματα εκπαίδευσης νευρωνικών δικτύων ανοιχτού λογισμικού (open source), όπως και καινοτόμους αλγόριθμους και τεχνικές αναγνώρισης προτύπων και μηχανικής μάθησης με προσαρμογή τους στο συγκεκριμένο πρόβλημα. . Έργο στο πλαίσιο του Επιχειρησιακού Προγράμματος “Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία” (ΕΠΑνΕΚ)