Scriptiebank overzicht

Een sociale angststoornis is een veelvoorkomende psychische aandoening die het dagelijks functioneren aanzienlijk kan beïnvloeden, maar in de praktijk vaak onopgemerkt blijft. De herkenning ervan berust traditioneel op klinische interviews en zelfrapportagevragenlijsten. Die kosten tijd en hebben beperkingen, zoals vertekening door het geheugen, beperkt inzicht in de eigen klachten en de neiging om sociaal wenselijke antwoorden te geven. Tegen deze achtergrond onderzoekt deze masterproef welke rol artificiële intelligentie (AI) kan spelen bij het herkennen van mensen met een sociale angststoornis of klinisch relevante symptomen van sociale angst.

Deze masterproef is een scoping review van peerreviewde, empirische studies over het gebruik van AI om sociale angst te herkennen. De centrale vragen zijn welke AI-methoden worden gebruikt om sociale angst op basis van psychologische en gedragsgegevens te detecteren of te classificeren, welke gegevens als input dienen en hoe goed de modellen presteren. Daarnaast onderzoekt de review hoe de studies zijn opgezet, in welke populaties en contexten de methoden zijn onderzocht en welke ethische en praktische aandachtspunten uit de literatuur naar voren komen.

De review volgt de richtlijnen van het Joanna Briggs Institute en werd gerapporteerd volgens PRISMA-ScR. Er werd gezocht in APA PsycINFO, Embase, Scopus, PubMed/MEDLINE, Web of Science en Google Scholar. De selectie van studies gebeurde in Rayyan. Na het verwijderen van dubbele publicaties werden 203 studies gescreend op titel en samenvatting. Daarvan gingen er 46 door naar de beoordeling van de volledige tekst. Uiteindelijk werden 17 studies opgenomen. De gegevens werden verzameld met een gestandaardiseerd extractieformulier en vervolgens samengevat in tabellen en een beschrijvende synthese.

Deze review laat zien dat AI mogelijkheden biedt als hulpmiddel bij het herkennen van sociale angst, maar dat de huidige wetenschappelijke onderbouwing zich nog in een vroeg stadium bevindt en heterogeen is. De opgenomen studies gebruikten zowel klassieke methoden van machinaal leren als deep learning. Vragenlijstgegevens werden het vaakst als input gebruikt. Sommige modellen maakten daarnaast gebruik van complexere gegevens, zoals digitale sporen, taalgebruik tijdens interviews en oogbewegingsgegevens. Daarmee kunnen zij gedrags- en taalpatronen in kaart brengen die via traditionele vragenlijsten of interviews minder rechtstreeks zichtbaar zijn.

Tegelijkertijd hadden veel studies nog het karakter van een eerste haalbaarheidsstudie, hanteerden zij uiteenlopende definities van sociale angststoornis en gebruikten zij vooral interne validatie. Verdere vooruitgang vraagt om externe validatie, transparantere rapportage, diversere datasets en zorgvuldige aandacht voor privacy, vertekening en foutenmarges. Ook hebben clinici voldoende kennis van AI nodig om de uitkomsten van deze modellen verantwoord te kunnen interpreteren en gebruiken.

Puppy’s worden vaak op te jonge leeftijd verhandeld. Dit kan gezondheidsimplicaties voor
zowel de hond, als de menselijke bevolking met zich meebrengen. Hierbij spelen de
minimumleeftijden van acht en vijftien weken een cruciale rol. Deze zijn ingevoerd om te
voorkomen dat te jonge en ongevaccineerde honden verhandeld worden. Deze studie
ontwikkelt daarom met behulp van machinaal leren en survival analyse een techniek om de illegale puppyhandel te bestrijden. Dit gebeurt door middel van modellen die accuraat de leeftijd van een pup kunnen bepalen op basis van zijn gebit.

Nucleaire fusie kan de toekomst van schone energie zijn, maar er zijn problemen met iets genaamd ELMs. Dit zijn plotselinge uitbarstingen van energie die de reactorwand kunnen beschadigen, vergelijkbaar met stoom die vrijkomt uit een snelkookpan. Deze thesis gebruikt AI om ELMs te vinden, wat onderzoek naar fusie-energie gemakellijker maakt.

Matrixvermenigvuldiging ligt aan de kern van machinaal leren, een deelgebied van de artificiële intelligentie. Softwarebibliotheken bevatten manueel geoptimaliseerde versies van matrixvermenigvuldiging voor de meest gangbare technieken in machinaal leren, maar kunnen niet gebruikt worden voor onderzoek naar nieuwe technieken. Deze masterproef presenteert een flexibel raamwerk waarmee een breed scala aan ML berekeningen kunnen worden uitgevoerd, zonder te moeten inboeten aan snelheid.

Dit onderzoek gebruikt een diep neuraal netwerk om de organen van een patiënt in te tekenen op een CT-scan. Hiermee wordt het werk van de radiotherapeut-oncoloog in de radiotherapie sterk verligt.

Onderzoek naar ongesuperviseerd machinaal leren voor herkenning van slaapstadia in neonati.

In deze master thesis werd aangetoond dat machinaal leren de behandeling van patiënten met een acuut herseninfarct kan optimaliseren. De complexe afleiding en interpretatie van zogenaamde parametrische mappen kan vervangen worden door een computermodel dat een voorspelling doet over de locatie en grootte van de zones die in gevaar zijn door de verminderde bloedtoevoer. Bovendien heeft dit model tot bijna de helft minder hersenscans nodig dan de huidige methode.

Een brein-computer interface (BCI) is een input-output systeem dat ervoor zorgt dat de gebruiker
een bepaald computersysteem kan aansturen via zijn hersenen. Dit systeem is echter heel
persoonsgebonden, waardoor de gebruiker een lange kalibratietijd moet doorgaan van 20 tot 30
minuten. Daar dit veel concentratie en tijd van de gebruiker vergt, is dit niet gewenst. In deze thesis wordt een methode voorgesteld om deze langdurige kalibratietijd te verminderen met behoud van een hoge accuraatheid.

Vandaag de dag is elektriciteit een basisbehoefte. Doordat de elektriciteitsvraag elk jaar sterk stijgt, moet ook de hoeveelheid opgewekte energie elk jaar opgedreven worden. Dit gebeurt meer en meer op een duurzame manier. Het nadeel hiervan is echter dat de productie op deze manier zeer sterk kan fluctueren, afhankelijk van de weersomstandigheden. Energiebedrijven hebben daarom een goed zicht nodig op de consumptie van elektrische energie en doen hiervoor vaak beroep op voorspellings- en/of clustermethoden. In deze context stelt dit werk een voorspellings- en cluster- methode voor, die gebaseerd zijn op Gaussiaanse processen.
Deze thesis is opgedeeld in een voorspellings- en een clustergedeelte. In het voor- spellingsgedeelte bespreken we hoe we de ruwe data verwerken tot input voor de Gaussiaanse proces regressie en focussen we ons op een voorspelling voor de volgende twee dagen per uur.
Het clustergedeelte van de thesis stelt een nieuwe clustermethode voor, die gebaseerd is op Gaussiaanse proces regressie (GPRC), en passen we toe op het consumptiegedrag van huishoudens om er inzichten in te ontdekken. Dit doen we door de weekprofielen (tijdreeksen) van de huishoudens te beschouwen. Om deze te clusteren zal de methode gebruik maken van een algemeen model dat geleerd wordt op een set van tijdreeksen, gebaseerd op hun waarschijnlijkheid. Het voordeel van de voorgestelde techniek is dat ze geen paarsgewijze vergelijking van de tijdreeksen nodig heeft, in tegenstelling tot vele andere clustermethoden voor tijdreeksen.
Deze methoden worden geëvalueerd op een real-life dataset van 71 huishoudens, die historische consumptie en meteo-data van één jaar bevat. De voorspellingsme- thode wordt geëvalueerd en vergeleken met lineaire regressie, support vector regressie en een baseline methode die de waarde van een week geleden teruggeeft als voorspel- ling.
De clustermethode wordt vergeleken met k-medoids met dynamic time warping en hiërarchisch agglomeratief clusteren met dynamic time warping. Er wordt enerzijds aangetoond dat GPRC een betere schaalbaarheid heeft en anderzijds dat de resultaten ervan nuttig zijn in het beslissingsproces van een bedrijf uit de energiesector.

Kan een computerprogramma je leven redden? Automatische analyse van ziek celweefselEr wordt de laatste jaren steeds meer vooruitgang geboekt op het gebied van medische beeldvormingstechnologie. Artsen en clinici hebben meer dan ooit tevoren enorme hoeveelheden visuele patiëntdata ter beschikking. Deze enorme explosie aan gegevens vergroot hun kennis, maar dreigt hen ook boven het hoofd te groeien. Scans en analyses van weefselmonsters resulteren vaak in tientallen, honderden of zelfs duizenden beelden, die allemaal met de hand onderzocht dienen te worden.