Moleculaire profilering van het tumormateriaal van een patiënt wordt, door de toenemende interesse voor gepersonaliseerde geneeskunde, in veel kankertypes steeds belangrijker voor prognose en therapie planning. Door de heterogeniteit van carcinogene processen wordt moleculaire profilering echter bij veel kankersoorten gecompliceerd en het wordt bovendien om budgettaire redenen beperkt. De recente digitalisering van histopathologische glasplaatjes naar Whole Slide Images (WSI's) biedt een uitzonderlijke kans voor kostenefficiënte analyses van tumoreigenschappen. WSI's zijn namelijk zonder bijkomende kost verkrijgbaar; ze worden voor diagnostische doeleinden in de klinische praktijk verkregen. Hoewel ze intrinsiek morfologische informatie bieden, hebben recente studies aangetoond dat deep learning-technieken verborgen morfologische kenmerken kunnen extraheren uit WSI's die verband houden met moleculaire eigenschappen. Daaruit volgt dat deep learning-modellen op WSI's potentieel bieden om fundamentele inzichten te verwerven over de aanwezigheid van tumoreigenschappen en hun ruimtelijke (co)locatie, en bijgevolg ook om prognose te sturen. In dit project zullen we WSI's als kostenefficiënte proxy gebruiken voor ruimtelijke moleculaire profilering van tumoreigenschappen. Hiertoe zullen we een innovatief deep-learning framework voor de analyse van WSI's ontwikkelen dat generiek zal zijn en efficiënt aan te passen zal zijn naar voorspellingstaken in verschillende kankertypes.