Leonard Wee

MAASTRO Clinic, Maastricht University Medical Centre+

Kort samengevat, behelst het onderzoek van Leonard Wee het volgende:

'Artificial intelligence decision support for oropharyngeal carcinoma: option of sparing patients from neck dissection surgery

Recent radiology studies on head/neck cancers suggest that a sizeable proportion of patients receive invasive neck node dissection surgery after chemo-radiotherapy, but actually derive no survival benefit from the extra treatment. Making this judgement is presently very difficult for doctors, and likely depends strongly on the radiologist’s skill and the biological patterns of each person’s cancer. But in patients at high risk of the cancer returning, the additional surgery is known to be beneficial. This dilemma suggests a real need for a clinical decision support tool to help doctor make better decisions. Artificial intelligence (AI) is especially good for detecting hidden patterns in radiology images, so this project will use AI to exploit the wealth of imaging data collected in top cancer hospitals worldwide. This will allow us to identify subtly different patterns in tumours and simulate the results of different treatments, so that doctors in future can recommend an individually personalized treatment and reduce the burden of unnecessary neck surgery.'

Korte samenvatting van voortgang / resultaten 2021

Dit project maakt gebruik van grote hoeveelheden patiëntgegevens en klinische beelden van hoofd en nekkanker, verspreid over de hele wereld, om te proberen het aantal invasieve operaties na behandeling met chemo-radiotherapie. Kunstmatige intelligentie (AI) helpt ons, omdat we een AI kunnen 'leren' om te zoeken naar subtiele tekens die moeilijk te vinden zijn en met menselijke ogen om te zien, en ook de AI kan de beelden voor ons onderzoeken in plaats van uitwisselen van patiëntgegevens tussen onderzoekers. Dit staat bekend als “Privacy-preserving Federated Deep Learning”. Tot op heden hebben we tools opnieuw ontworpen voor het maken van privé data Vindbaar-Toegankelijk-Interoperabel-Herbruikbaar om gemakkelijker te kunnen worden ingezet, op afstand ondersteund en opgeschaald naar een groot aantal klinieken; dit is een extreem belangrijke stap vanwege het effect van Covid-19 op reizen en face-to-face werken. Vervolgens hebben we overleg gepleegd met clinici en juridische experts van meer dan 20 klinieken in 11 landen om een gemakkelijk herbruikbaar ethisch/wettelijk kader te maken dat in overeenstemming is met privacywetten voor patiënten over de hele wereld. Wij hebben dit aan de Gezondheids-RI . gegeven Personal Health Train-initiatief, en ons raamwerk wordt al in tweeën hergebruikt nieuwe projecten (met nog veel meer te komen). Eindelijk hebben we goede vooruitgang geboekt naar het corrigeren van fouten in geavanceerde AI-tools en het privacyveilig maken voor “federated deep learning”. We testen deze AI nu grondig binnen een groot multi-institutioneel wereldwijd consortium, en zal in 2022 beginnen met het internationaal verzamelen van nieuwe patiëntgegevens.

Korte samenvatting van voortgang / resultaten 2022

Tot nu toe heeft dit Hanarth-gefinancierde project een open source gefedereerde deep learningarchitectuur op wereldschaal gedemonstreerd met resultaten die vergelijkbaar zijn met het volledig centraliseren van de data. Het voordeel van gefedereerd leren is dat patiëntgegevens niet tussen ziekenhuizen of over landgrenzen heen hoeven te worden uitgewisseld, waardoor de privacy beter gewaarborgd is.

Om data op deze privacy-beschermende manier te kunnen gebruiken, moeten ze wel Findable-AccessibleInteroperable-Reusable (FAIR) worden gemaakt. Daarom hebben we open source tools gemaakt die artsen helpen om hun gegevens FAIR te maken en op een veilige manier te delen.

De focus ligt nu op het vergroten van de verfijning van "deep radiomics" -modellen die medische beelden van hoofd-halskanker patiënten met meer detail doorzoeken, om aanvullende informatie te zoeken die ons zal helpen voorspellen hoe waarschijnlijk het is dat een kanker na behandeling zal terugkeren.