Kunstmatige Intelligentie in Oncologie - Ondersteuning van wetenschappelijk onderzoek
Erasmus Medical Center, Rotterdam
Kort samengevat, behelst het onderzoek van Casper van Eijck het volgende:
Pancreatic adenocarcinoma (PDAC) is the fourth cause of cancer-related mortality world-wide with a five-year survival rate of less than 5%. Despite multiple large-scale genetic sequencing studies, identification of predictors of treatment response and patient survival remains challenging. The advance of artificial intelligence enables us to decipher the relationship between various levels of genetic measurements and the patient outcomes, and gain a more complete picture of the disease to develop better prognostic strategies to stratify patients. We aim to develop artificial intelligence frameworks that can be applied to support clinical decision-making in prospective clinical trials and to improve patient stratification by targeting those patients that will benefit from FOLFIRINOX treatment. This will improve treatment efficacy and reduce toxicity by withholding ineffective treatments for selected patients.'
De hoge heterogeniteit van alvleesklierkanker heeft geleid tot grote uitdagingen voor de behandeling en prognose van deze ziekte. In deze studie hebben we ons gericht op het optimaliseren van de subtypering van alvleesklierkanker om het biologische mechanisme te helpen begrijpen en gepersonaliseerde behandeling te verbeteren.
Om dit te bereiken, hebben we een op deep learning gebaseerd raamwerk (MODEL-P) ontwikkeld dat twee subtypen van alvleesklierkanker definieerde met verschillende overlevingsresultaten (respectievelijk mediane overleving 10,1 en 22,7 maanden) die overeenkomen met herstel van DNA-schade en geremde immuunrespons.We hebben MODEL-P voor prognosevoorspelling rigoureus getest op 5 onafhankelijke externe testsets. Patiënten in vijf openbaar beschikbare testsets werden met succes ingedeeld in twee verschillende overlevingsgroepen met een significant overlevingsverschil dat superieur is aan de huidige praktijk en andere subtyperingsschema's.
Wij zijn van mening dat de subtype-specifieke handtekeningen de ontdekking van
PDAC-pathogenese zouden vergemakkelijken, en MODEL-P kan clinici de prognose-informatie verschaffen gedurende de besluitvorming over de behandeling om zo de voordelen versus de risico's beter te kunnen inschatten. Dit werk is geaccepteerd om te worden gepubliceerd in iScience. Verder hebben we aanzienlijke vooruitgang geboekt op het gebied van egevensverzameling (COMPASS-cohort en iKnowIT-cohort) en methode- ontwikkeling. Ondertussen hebben we het data-analyseplan en de catalogus met ML/DL-toolset voor uitkomstvoorspelling bijgewerkt.