Online Promotie Ballambat Suraj Pai

Trefwoorden: Zelfgestuurd leren, Deep learning, Radiologie-AI, Beeldvorming bij kanker

"Representation Learning in Radiology and Cancer Imaging"

Dit proefschrift onderzocht representatie-leerbenaderingen voor het bevorderen van kunstmatige intelligentie-toepassingen in radiologie en kankerbeeldvorming. Het onderzoek ontwikkelde basismodellen die in staat zijn om betekenisvolle representaties uit medische beelden te leren om de diagnose van kanker, de behandelingsplanning en de voorspelling van de uitkomst te verbeteren. Een belangrijke bijdrage was de creatie van een nieuwe biomarker die de gezondheid van de thymus meet aan de hand van CT-scans, die een significante associatie aantoonde met de resultaten van immuuntherapie bij meerdere soorten kanker. Het werk reikte verder dan de oncologie en ontwikkelde modellen voor algemeen radiologisch inzicht, waardoor toepassingen in diverse anatomische regio's mogelijk werden. Daarnaast ging het proefschrift in op kritieke uitdagingen in de reproduceerbaarheid van AI-onderzoek door het ontwikkelen van cloudgebaseerde workflows en configuratiegestuurde frameworks die geavanceerde AI-technieken toegankelijker maken voor de bredere medische onderzoeksgemeenschap. Door middel van deze methodologische innovaties en klinische toepassingen toonde dit werk aan hoe representatie-leren radiologische analyse kan transformeren en gepersonaliseerde patiëntenzorg kan verbeteren, terwijl het open wetenschapspraktijken bevordert.

Klik hier voor de livestream.