Promotie: Interpretable predictions with Convolutional Neural Networks for complex data

Deep Learning (DL) en Artificial Intelligence (AI) behoren tegenwoordig tot de meest gebruikte tools om enorme en complexe datasets te analyseren.Kunstmatige neurale netwerken (ANN) zijn erg flexibel en krachtig, maar worden vaak aangeduid als "black-box"-methoden; het oorzakelijk verband tussen voorspellingen en gegevens is niet eenvoudig en ook niet gemakkelijk uit te leggen. Dit proefschrift richt zich op drie toepassingen met complexe data van een specifiek type ANN: 1-D Convolutional Neural Networks (1-D CNN). Door middel van Explainable Artificial Intelligence (XAI) algoritmen kunnen op 1-D CNN gebaseerde voorspellingen interpreteerbaar worden gemaakt.

Ten eerste hebben we de mogelijkheid overwogen om, met behulp van 1-D CNN, de diagnose van kwaadaardige tumoren te verbeteren door de classificatie van Raman-spectra van genomisch DNA. Veel van de aandacht gaat uit naar het onderscheiden van verschillende subcellijnen van dezelfde tumor.

Vervolgens is 1-D CNN geïmplementeerd om El Niño Southen Oscillation (ENSO) te voorspellen op basis van gesimuleerde gegevens van Zebiack-Cane (ZC). We hebben geprobeerd te begrijpen wat 1-D CNN kan leren over de fysieke dynamiek van deze gebeurtenissen door het vervormen van de parameters die de oceaan-atmosfeerkoppeling bepalen.

 Als laatste wordt een gezamenlijk werk met de IC-afdeling van het UMCU gepresenteerd om de behandeling van IC-patiënten te verbeteren: 1-D CNN werd gebruikt om nosocomiale ICU-Acquired Infections (ICU-AI) dynamisch te voorspellen. Concreet is 1-D CNN getraind om het risico van een ICU-AI-onset te beoordelen, enkel door de enorme hoeveelheid informatie die beschikbaar is op de ICU-monitoren te analyseren. De daadwerkelijke ICU-AI-voorspelling is geleverd door middel van overlevingsanalysetechnieken na het inbedden van de 1-D CNN-analyse in een bredere set van traditionele, verklaarbare variabelen.