Het proefschrift richt zich op de toepassing van deep learning-modellen om de analyse van röntgenfoto's van de borstkas in radiologische workflows te verbeteren. Dit onderzoek beoogde de kloof te overbruggen tussen CXR-analyse met deep learning en de eisen van de gezondheidszorg. Het proefschrift identificeerde tekortkomingen in bestaande deep learning-modellen, waaronder hun betrouwbaarheid, equivalente terminologieën en gebrek aan uitlegbaarheidseisen. In het onderzoek werden verschillende methoden voorgesteld en geëvalueerd om deze problemen aan te pakken, waaronder het vinden van inequivalente terminologieën in de referentiestandaard, het produceren van verklaarbare outputs voor het detecteren van emfyseem, en het integreren van laboratoriumparameters met röntgenresultaten van de borstkas. Het proefschrift presenteerde ook een nieuwe aanpak om deep learning-modellen uit te breiden om irrelevante gevallen op te sporen en te verwerpen. De resultaten toonden aan dat deze methoden een aanzienlijk potentieel hebben om de radiologische workflow te transformeren door de nauwkeurigheid en efficiëntie van CXR-interpretatiesystemen te verbeteren. De openbare verdediging omvat een presentatie van de bevindingen en een discussie over de toekomstige richtingen van dit onderzoek.
Erdi Çallı (Turkije) studeerde Mathematical Engineering en behaalde een master in AI. Hij mede-ontwikkelde een mobiele app voor visueel gehandicapten. Erdi is van plan zijn technische en wetenschappelijke kennis toe te passen op zijn carrière in de particuliere sector. Hij voltooide een programma in innovatie en ondernemerschap aan de HEC Paris.