Neuraal-netwerk-gebaseerde gegevensintegratie voor het screenen en clusteren van patiënten via vloeistofbiopsies met toepassing op presymptomatische kankerdetectie en gestratificeerde geneeskunde

Mijn doctoraatsonderzoek richt zich op het ontwerp van een artificiële-intelligentieraamwerk (AI) voor het leren van complexe relaties tussen het DNA-profiel van een vloeistofbiopsie (d.w.z. DNA gezuiverd uit een bloedmonster) en de diagnose, prognose of terugval van een tumor. Dit AI-raamwerk zal in staat zijn om continu informatie uit DNA-profielen van tienduizenden vloeistofbiopsies te integreren. Het zal met name modellen voor de vroege diagnose van kanker mogelijk maken door onderscheid te maken tussen gezonde patiënten en patiënten met genomische DNA-onevenwichtigheden. Elk model zal de mogelijkheid hebben om nieuwe voorspellingstaken te leren wanneer nieuwe ziekteinformatie wordt toegevoegd, evenals de mogelijkheid om gegevens van follow-up vloeistofbiopsies te integreren. Het inferentieproces zal zowel nieuwe patiënten als nieuwe gegevens integreren die beschikbaar worden voor dezelfde patiënt. De latente representatie die geleerd wordt door het AIplatform zal het ook mogelijk maken om genomische profielen te interpreteren, patiënten te clusteren en ziektemechanismen te identificeren. Dit, samen met klinische expertise, zal een krachtige aanpak zijn voor het modelleren van de evolutie van ziekten binnen een subgroep van patiënten.