Onlangs heeft Karel Fonteyn met succes zijn proefschrift verdedigd aan de Universiteit van Gent, binnen het SUMO Lab bij IDLab. Zijn proefschrift, getiteld « Contextuele diepe leren voor de analyse van biomedische tijdreeksen », bundelt vier jaar innovatief onderzoek naar hoe diepe leren beter gebruik kan maken van context in complexe biomedische gegevens. Op meerdere vlakken ondersteunt dit werk direct de ambities op het gebied van AI binnen VasculAI.
In dit blogartikel wordt een nadere blik geworpen op enkele van de veelbelovendste bijdragen van Karel die relevant zijn voor VasculAI en op wat de aandacht trok tijdens zijn openbare verdediging
1. Waar heeft Karel aan gewerkt?
Zoals de titel van zijn proefschrift al suggereert, richtten Karels onderzoeken zich op diep leren voor de analyse van biomedische tijdreeksen. In eenvoudige woorden betekent dit het ontwikkelen van AI-methoden die signalen zoals ECG’s beter kunnen interpreteren, niet alleen door naar een enkele meting te kijken, maar ook door rekening te houden met de bredere context waarin deze meting plaatsvindt.
Een bijzonder relevante wetenschappelijke bijdrage voor VasculAI
Een van Karels meest relevante wetenschappelijke bijdragen aan VasculAI is zijn artikel in het tijdschrift A1 van IEEE Access, getiteld « Augmentation-Free Longitudinal Modeling through Structuring Whitened Embeddings ». In dit werk introduceerden Karel en zijn coauteurs een nieuw kader genaamd Structuring Whitened Embeddings, of SWE. De methode is ontworpen om diepe leermodellen te helpen leren hoe biomedische signalen in de loop van de tijd evolueren, zonder gebruik te maken van kunstmatige data-augmentatie.
SWE: leren van de werkelijke evolutie van de signalen
Dit kan op het eerste gezicht abstract lijken, maar het idee is in werkelijkheid zeer intuïtief. In veel medische toepassingen van AI kunnen kleine veranderingen in een signaal de interpretatie volledig wijzigen. Dit maakt traditionele vergrotingsstrategieën risicovol, omdat het wijzigen van een monster, zelfs licht, onrealistische gegevens kan creëren. SWE pakt dit probleem aan door direct te leren van de werkelijke relaties tussen echte monsters, in plaats van van kunstmatig gewijzigde monsters. Bovendien organiseert het model zijn interne representaties op een manier die weerspiegelt hoe de toestand van een patiënt geleidelijk in de loop van de tijd kan evolueren. Dit maakt het mogelijk subtiele patronen van voortgang vast te leggen, wat de modellering van de ziekteontwikkeling verbetert.
Waarom deze aanpak VasculAI direct interesseert
Deze eigenschappen dragen bij aan het doel van VasculAI om AI-systemen te bouwen die de cardiovasculaire gezondheid kunnen monitoren op basis van gegevens van draagbare apparaten en die een vroegere detectie van vaatziekten kunnen ondersteunen. Om dit goed te doen, moet de AI niet alleen afwijkingen herkennen, maar ook de subtiele patronen van progressie vastleggen en begrijpen hoe de signalen zich binnen patiënten en tussen patiënten ontwikkelen. SWE sluit natuurlijk aan bij deze visie, omdat het zich precies richt op het leren van deze vloeiende en betekenisvolle overgangen in biomedische tijdreeksen.
2. Wat naar voren kwam in zijn verdediging
De openbare verdediging van Karel trok niet alleen vrienden, familie en collega’s aan, maar ook externe deelnemers die nieuwsgierig waren naar de titel en de omvang van het werk. Het onderwerp van contextuele AI in de gezondheidszorg resoneert duidelijk buiten de academische wereld, vooral nu steeds meer mensen zich afvragen hoe artificiële intelligentie daadwerkelijk nuttig kan worden in de echte klinische praktijk.
Een interesse buiten de academische wereld
Onder de deelnemers waren gezondheidsprofessionals, waaronder een cardioloog van het UZ Gent, die belangstelling hadden voor de praktische waarde van dit soort onderzoek voor het dagelijks klinisch werk.
Een groot deel van het werk van Karel is fundamenteel methodologisch, maar dat maakt het op geen enkele manier minder belangrijk. Integendeel, dit soort onderzoek levert de basis waaruit later robuuste en klinisch bruikbare systemen kunnen worden ontwikkeld. Projecten zoals VasculAI zijn een uitstekend voorbeeld van hoe fundamenteel onderzoek in AI technologieën in de gezondheidszorg kan ondersteunen die directer toepasbaar zijn. In een gebied waar de terminologie van deep learning snel ontoegankelijk kan worden, heeft zijn presentatie het voor een breed publiek gemakkelijker gemaakt het belang van context in biomedische AI te begrijpen en waarom methoden zoals SWE op de lange termijn een werkelijk impact kunnen hebben.
3. Volgende stappen
Karel heeft bijdragen geleverd die belangrijk zullen blijven, zowel binnen de academische gemeenschap als in projecten zoals VasculAI. Zijn werk aan contextueel diep leren, longitudinale modellering en het leren van robuuste kenmerken heeft een solide basis gelegd voor toekomstige vooruitgang in biomedische AI. Zijn bijdragen hebben hun waarde al bewezen en weerspiegelen een veelbelovende koers om voort te zetten.
