“Machine learning applications for Radiomics: Towards robust non-invasive predictors in clinical oncology”

Trefwoorden: oncologie, precisiegeneeskunde, medische beeldvorming, radiomische analyses, kunstmatige intelligentie, machinale leermethoden

Met de opkomst van big data maken sectoren steeds meer gebruik van kunstmatige intelligentie (AI) en machinaal leren (ML). Dit geldt ook voor de gezondheidszorg. In dit proefschrift werden moderne machinale leermethoden voor radiomische analyses onderzocht. Deze geavanceerde computationele methoden werden objectief beoordeeld op basis van nauwkeurigheid en betrouwbaarheid. Het identificeren van optimale machinale leermethoden voor radiomische toepassingen is erg belangrijk, want zo kunnen stabiele en klinisch relevante radiomische biomarkers worden ontwikkeld. Deze bieden een niet-invasieve methode voor de klinische praktijk om fenotypische tumorkenmerken te kwantificeren en te volgen. Het aantal patiënt-specifieke gegevens neemt steeds verder toe. Dit proefschrift kan daarom onderzoek bevorderen naar het toepassen van kunstmatige intelligentie en precisiegeneeskunde in de routinepraktijk van de oncoloog.

Dit proefschrift werd mogelijk gemaakt door financiële steun van het CTMM (Project AIRFORCE, subsidienummer 030-103), euroCAT (IVA Interreg - www.eurocat.info), KWF Kankerbestrijding (KWF UM 2011-5020 en KWF UM 2009-4454) en het National Institute of Health (NIH-USA U24CA194354 en NIH-USA U01CA190234).