Van een deep learning-netwerk weten we dat het wordt getraind met een grote set bekende voorbeelden, waarna het in staat is zelfstandig de herkenning uit te voeren. En dat vaak zelfs beter dan de mens. Hoe het leerproces precies werkt, welke keuzen het netwerk intern maakt, is minder transparant: het blijft een black box. In de benadering van de UT-onderzoekers wordt dit gedeeltelijk wel transparant, met visualisatie, gebaseerd op semi-supervised auto-encoding: alsof je door een venstertje toch iets van het proces in de black box kunt zien. Dankzij deze visualisatie blijkt ook dat er meer informatie uit de beelden komt dan verwacht: een overzicht van niet alleen circulaire tumorcellen en verschillende subklassen, ook witte bloedlichaampjes en de vesicles zijn goed te onderscheiden. Dit biedt een completer plaatje dat een belangrijke stap is in de gepersonaliseerde behandeling van kanker.
De open source-analysesoftware Accept, die eerder is ontwikkeld door onderzoeker Leonie Zeune, is te combineren met de CellSearch-technologie om circulerende tumorcellen op te sporen. Professor Leon Terstappen, een van de auteurs van het paper, is mede-uitvinder van deze technologie die sommige ziekenhuizen al beschikbaar hebben. De nu gepresenteerde stap voorwaarts helpt in het nog verder personaliseren van behandelingen tegen kanker. Het onderzoek is uitgevoerd door verschillende onderzoeksgroepen, celbiologen en wiskundigen, van het Technical Medical Centre van de UT en past in het thema ‘Improving health care by personalized technologies’.
Computable.nl over Universiteit Twente
Kabinet opgetogen over bloei fotonica-bolwerk
Gelderland-Midden zorgregio van de toekomst
UT maakt Duitse nano-bouwstenen slimmer
Dekt nieuwe programmatuurdefinitie nu wél de lading?
EIT Digital stuurt studenten op digitaal zomerkamp
Anti-ddos-coalitie start site over verdedigingsplan
UT-prof krijgt 2 mln voor onderzoek techrisico's
UT realiseert energiezuinige iot-dataconversie
‘Verbind vitale infrastructuur aan veilig circuit’