Joeky Senders

185 Appendices In Hoofdstuk 7 , zijn verscheidene statistische (logistische en LASSO-regressie), klassieke machine learning (artificial neural networks), en deep learning (convolutional neural networks, gated recurrent unit, en long short-term memory) modellen ontwikkeld en vergeleken in hun vermogen om radiologieverslagen (n = 1.472) van patiënten met een hersenmetastasen te kunnen classificeren in verslagen met solitaire versus multifocale metastasen. De bag-of-words benadering in combinatie met een LASSO-regressie algoritme overtrof de andere modellen op het gebied van discriminerend vermogen (AUC = 0,92) en kalibratie. In Hoofdstuk 8 , hebben we de leercurves van verschillende algoritmen onderzocht voor het bepalen van de histopathologische diagnose van hersentumor patiënten op basis van de pathologieverslagen. In deze studie, hebben we een deep learning model (ClinicalTextMiner) ontwikkeld en gemodificeerd met strengere methoden voor regularisatie. Naast de relatieve frequentie van individuele woorden of woord combinaties (zoals bij LASSO-regressie), was dit model ook in staat om de semantische complexiteit van tekstdocumenten te modelleren, zonder te overfitten op statistische ruis. Zodoende had ClinicalTextMiner 2 tot 8 keer minder training voorbeelden nodig om de vooraf bepaalde afkapwaarde in discriminerend vermogen (AUC van 0,95 en 0,98) te behalen. Alle code en software geschreven in dit proefschrift is openbaar beschikbaar om de transparantie en reproduceerbaarheid van dit werk te bevorderen. De URL-links kunnen gevonden worden in de Open-source code and software appendix.