Deep learning models for predicting molecular tumor properties directly from whole slide images

Summarise with VIRAT
Authors: Marija Pizurica
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Moleculaire profilering van het tumormateriaal van een patiënt wordt, door de toenemende interesse voor gepersonaliseerde geneeskunde, in veel kankertypes steeds belangrijker voor prognose en therapie planning. Door de heterogeniteit van carcinogene processen wordt moleculaire profilering echter bij veel kankersoorten gecompliceerd en het wordt bovendien om budgettaire redenen beperkt. De recente digitalisering van histopathologische glasplaatjes naar Whole Slide Images (WSI's) biedt een uitzonderlijke kans voor kostenefficiënte analyses van tumoreigenschappen. WSI's zijn namelijk zonder bijkomende kost verkrijgbaar; ze worden voor diagnostische doeleinden in de klinische praktijk verkregen. Hoewel ze intrinsiek morfologische informatie bieden, hebben recente studies aangetoond dat deep learning-technieken verborgen morfologische kenmerken kunnen extraheren uit WSI's die verband houden met moleculaire eigenschappen. Daaruit volgt dat deep learning modellen op WSI's potentieel bieden om fundamentele inzichten te verwerven over de aanwezigheid van tumoreigenschappen en hun ruimtelijke (co)locatie, en bijgevolg ook om prognose te sturen. In deze thesis ontwikkelen we deep learning en beeldverwerking methoden om WSI's als kostenefficiënte proxy te gebruiken voor ruimtelijke moleculaire profilering van tumoreigenschappen.

Fields of Study & Subjects

AI in cancer detection Radiomics and Machine Learning in Medical Imaging Digital Imaging for Blood Diseases

Publication details

Journal / source
Ghent University Academic Bibliography (Ghent University)
Publication date
1 January 2026
Language
EN
Document type
Thesis