Trefwoorden: Kunstmatige Intelligentie, Radiotherapie, Medische Beeldvorming
 

"Artificial Intelligence For Medical Image Analysis In Radiation Oncology: Tumor Characterization, Treatment Planning, And Individual Risk Assessment In Soft-Tissue Sarcoma And Prostate Carcinoma Patients"

Deze dissertatie onderzoekt de toepassing van kunstmatige intelligentietechnieken, zoals radiomics en deep learning, op medische beeldvorming voor kankerpatiënten die bestralingstherapie ondergaan. Het onderzoek toonde aan dat, voor patiënten met zacht-weefsel sarcomen, een radiomisch model dat kwantitatieve beeldanalyse en machine learning combineert, de uitkomsten van patiënten nauwkeuriger kan voorspellen dan kwalitatieve beoordelingen door radiologen. Het Delta-Radiomics concept werd getest door MRI-onderzoeken voor en na de therapie te analyseren voor een optimale voorspelling van de behandelrespons. Verder werd aangetoond dat deep learning effectief onderscheid kan maken tussen agressievere en minder agressieve tumoren, een pathologische eigenschap die bekend staat als “tumorgradering”. Daarnaast werd een specifiek type neuraal netwerk, U-Net genaamd, met succes getraind om automatisch zacht-weefsel sarcoom tumorvolumes te omlijnen, wat AI-analyse en mogelijk toekomstige klinische behandelplanning vergemakkelijkt. Tot slot werd in dit proefschrift radiomica met succes toegepast om de op computertomografie gebaseerde detectiegraad van lymfekliermetastasen bij prostaatkankerpatiënten te verbeteren.

Klik hier voor de livestream.