Fotografi av Jeroen van der Laak

Jeroen van der Laak

Gästprofessor

Min forskning handlar om att genom maskininlärning och stora mängder data förbättra cancerdiagnostik och prognosticering.

Deep Learning

Framsteg inom digitalisering av vävnadsprov och maskininlärning har drivit på forskningen om beräkningspatologi. Speciellt användningen av 'deep learning'-tekniker, där man tränar systemet med ett stort antal histo-patologiska bilder, har visat sig vara mycket kraftfullt.

Idag närmar sig datorsystemen nivån hos människor för vissa väldefinierade uppgifter i patologi. Ett exempel är räkningen av mitoser för gradering av bröstcancer och detektering av lymfkörtelmetastaser för att avgöra tumörstadium.


Min forskning fokuserar på utveckling av sådana 'deep learning'-algoritmer.

Syftet är tvåfaldigt:

  1. Att stödja patologernas arbete genom att öka effektiviteten och minska risken för påverkan av observatörens egna förutfattade meningar (observer bias).
  2. Att identifiera potentiella nya (prognostiska och prediktiva) biomarkörer för att ta fram en individuell behandling.


För att kunna nå dessa mål finns det fortfarande ett antal utmaningar kvar att lösa. En viktig förutsättning för utveckling av 'deep learning'-algoritmer är tillgängligheten av data (både av hög kvalitet och i stor mängd). En stor del av forskningen är därför inriktad på att etablera samarbeten, förvärva kliniska data såväl som mänskliga vävnadsprover och arbeta med expertpatologer runt om i världen.

Därefter krävs forskning om olika 'deep learning'-strategier för att utveckla de mest optimala modellerna.

Slutligen måste utvecklade modeller valideras i rutinmässig klinisk praxis för att bevisa säkerhet och användbarhet.

Min forskning syftar till att fokusera på alla dessa olika aspekter, med det slutliga målet att förbättra cancerdiagnostik och prognoser.

Publikationer

2024

Khrystyna Faryna, Leslie Tessier, Juan Retamero, Saikiran Bonthu, Pranab Samanta, Nitin Singhal, Solene-Florence Kammerer-Jacquet, Camelia Radulescu, Vittorio Agosti, Alexandre Collin, Xavier Farre, Jacqueline Fontugne, Rainer Grobholz, Agnes Marije Hoogland, Katia Ramos Moreira Leite, Murat Oktay, Antonio Polonia, Paromita Roy, Paulo Guilherme, Theodorus H. van der Kwast, Jolique van Ipenburg, Jeroen van der Laak, Geert Litjens (2024) Evaluation of Artificial Intelligence-Based Gleason Grading Algorithms "in the Wild" Modern Pathology, Vol. 37, Artikel 100563 (Artikel i tidskrift) Vidare till DOI
Khrystyna Faryna, Jeroen van der Laak, Geert Litjens (2024) Towards embedding stain-invariance in convolutional neural networks for H&E-stained histopathology DIGITAL AND COMPUTATIONAL PATHOLOGY, MEDICAL IMAGING 2024, Artikel 1293304 (Konferensbidrag) Vidare till DOI
Roberto A. Leon-Ferre, Jodi M. Carter, David Zahrieh, Jason P. Sinnwell, Roberto Salgado, Vera J. Suman, David W. Hillman, Judy C. Boughey, Krishna R. Kalari, Fergus J. Couch, James N. Ingle, Maschenka Balkenhol, Francesco Ciompi, Jeroen van der Laak, Matthew P. Goetz (2024) Automated mitotic spindle hotspot counts are highly associated with clinical outcomes in systemically untreated early-stage triple-negative breast cancer npj Breast Cancer, Vol. 10, Artikel 25 (Artikel i tidskrift) Vidare till DOI
Yiping Jiao, Jeroen van der Laak, Shadi Albarqouni, Zhang Li, Tao Tan, Abhir Bhalerao, Shenghua Cheng, Jiabo Ma, Johnathan Pocock, Josien P. W. Pluim, Navid Alemi Koohbanani, Raja Muhammad Saad Bashir, Shan E. Ahmed Raza, Sibo Liu, Simon Graham, Suzanne Wetstein, Syed Ali Khurram, Xiuli Liu, Nasir Rajpoot, Mitko Veta, Francesco Ciompi (2024) LYSTO: The Lymphocyte Assessment Hackathon and Benchmark Dataset IEEE journal of biomedical and health informatics, Vol. 28, s. 1161-1172 (Artikel i tidskrift) Vidare till DOI
Khrystyna Faryna, Jeroen van der Laak, Geert Litjens (2024) Automatic data augmentation to improve generalization of deep learning in H&E stained histopathology Computers in Biology and Medicine, Vol. 170, Artikel 108018 (Artikel i tidskrift) Vidare till DOI

Nyheter

Forskning

Organisation