Een kwantitatieve vergelijking van deep learning technieken voor exploratieve en gesuperviseerde analyse van hoog-dimensionale cytometrie-data

Dankzij recente ontwikkelingen in de cytometrie-techniek kunnen wetenschappers vele eigenschappen van individuele cellen opmeten, voor miljoenen cellen en tientallen tot honderden patiënten, mogelijks op verschillende tijdstippen tijdens hun behandeling. Om inzicht te krijgen in al deze data, zal ik nieuwe methodes uit het veld van machinaal leren uitproberen en vergelijken, met onder meer algoritmes voor data-visualisatie, geautomatiseerde detectie van celpopulaties en de daaropvolgende differentiële analyse tussen patiëntengroepen. In dit project zal ik mij specifiek toeleggen op deep learning-technieken, een recent maar snel groeiend veld dat reeds veelbelovende resultaten heeft voor verschillende andere toepassingen. Ik zal het potentieel van deep learning-technieken voor hoog-dimensionale cytometrie-data verkennen en deze kwantitatief vergelijken met de klassieke machinaal leren methodes die momenteel in het cytometrie-veld gebruikt worden. Betere analyse van deze data zal leiden tot meer gedetailleerde inzichten in de werking van het immuunsysteem, en op termijn leiden tot snellere diagnose en betere opvolging van patiënten met infecties, immuunziektes of kanker.