Trefwoorden: medische beeldvorming, kunstmatige intelligentie, bestralingsoncologie, voorspellende modellering, FAIR, klinische data science

"Quantitative imaging in radiation oncology"

Kunstmatig intelligente ogen, gebouwd op machine- en deep learning-technologieën, kunnen ons vermogen om beelden van patiënten te analyseren versterken. Door informatie te onthullen die onzichtbaar is voor onze ogen, kunnen we beslissingshulpen bouwen die onze clinici helpen een effectievere behandeling te bieden, terwijl de bijwerkingen worden verminderd. De kracht van deze keuzehulpen moet gebaseerd zijn op de biologisch unieke eigenschappen van de tumor van de patiënt, de zogenaamde biomarkers. Om deze technologie volledig naar de kliniek te vertalen, moeten we barrières overwinnen die te maken hebben met de betrouwbaarheid van biomarkers die van beelden worden afgeleid, het vertrouwen in AI-algoritmen en privacy-gerelateerde kwesties die de validatie van de biomarkers belemmeren. Deze dissertatie ontwikkelde methodologieën om de genoemde problemen op te lossen, en definieert een routekaart voor een verantwoord gebruik van kwantitatieve beeldvorming in de kliniek als beslissingsondersteunend systeem voor betere patiëntenzorg.

Klik hier voor het volledige proefschrift.

Klik hier voor de live stream.