Trefwoorden: machinaal leren, borstkanker, thermografie, risico-inschatting, Thermalytix, computerondersteunde diagnose

"Machine Learning for Breast Cancer Diagnosis in Developing Countries"

Borstkanker is een van de belangrijkste oorzaken van kankersterfte onder vrouwen over de hele wereld. Het gebruik van conventionele beeldvorming zoals mammografie, echografie en magnetic resonance imaging heeft aangetoond dat het sterftecijfer van borstkanker, vooral in de ontwikkelde landen, is gedaald. De toepassing van conventionele beeldvorming in ontwikkelingslanden brengt echter hoge kosten voor apparatuur met zich mee en vereist hooggekwalificeerd personeel. Beschaamdheid om zich uit te kleden voor een technicus voor imaging blijkt ook een barrière te zijn in ontwikkelingslanden zoals India. Deze dissertatie heroverweegt infraroodthermografie als een beeldvormingsmodaliteit voor het opsporen van borstkanker, omdat het voordelen heeft als goedkope, draagbare, niet-invasieve, stralingsvrije en privacybewuste imagingmethode, waarbij technici de uitgeklede vrouw niet hoeven te zien. Echter, handmatige interpretatie van borstthermografie heeft eerder een lage nauwkeurigheid opgeleverd als het niet door een ervaren thermograaf werd geïnterpreteerd en er zijn strenge waarschuwingen voor het gebruik ervan. In dit proefschrift is een end-to-end geautomatiseerd systeem voorgesteld met machinaal leren om de subjectiviteit in de interpretatie te verlichten en de nauwkeurigheid van de borstkankerdetectie te verbeteren. Het voorgestelde systeem is ontworpen om de interactie met de arts te verbeteren met behulp van interpreteerbare kenmerken, geannoteerde beelden en een cyclische feedback tussen de deskundige en de verschillende modules in het voorgestelde systeem.

Klik hier voor het volledige proefschrift.

Klik hier voor de live stream.