Kunstmatige Intelligentie in Oncologie - Ondersteuning van wetenschappelijk onderzoek
University of Groningen, University Medical Center Groningen
Kort samengevat, behelst het onderzoek van Peter van Ooijen het volgende:
With the increased survival rate of cancer patients because of successful treatment with (chemo)radiation, the risk of toxicity and related side effects also increased. Prediction or early detection of toxicity is of utmost importance to allow adaptation of the treatment to avoid toxicity related problems. In addition, the early identification of patients that exhibit a lower expected tumor response allows to choose a more aggressive treatment regime for those patients.
Aim of this project is to facilitate personalized adaptive radiotherapy to improve treatment outcome. We will investigate determination of treatment efficacy (tumor response) and detection and prediction of side effect severity (toxicity) of radiation therapy for head-and-neck cancer using deep learning techniques to identify predictive image features. Ultimately, the goal is to facilitate personalized adaptive radiotherapy, where the treatment plan is adjusted on-the-go based on both the daily anatomical changes and the predictions of the models for toxicity and tumor response.'
Het afbakenen van de tumor is een belangrijke stap in de behandeling van de patient. Het is echter een lastige taak, en het resultaat is sterk afhankelijk van de individuele keuzes van radiotherapeut. Daarom lag de focus in het eerste deel van dit project op de automatische tumorafbakening op PET/CT-beelden van hoofd-halskankerpatiënten met behulp van kunstmatige intelligentie. Het eerste onderzoekspaper werd geaccepteerd en wordt binnenkort gepubliceerd in Lecture Notes in Computer Science (LNCS) Challenges (2022). Het tweede manuscript is geschreven en moet nog worden ingediend bij een tijdschrift voor medische beeldvorming. In het vervolg van het project zal de focus liggen op de klinische implementatie van de methode die is geïmplementeerd voor het tweede artikel en zullen gegevens worden verzameld die nodig zijn voor de voorspelling van tumorgerelateerde eindpunten.
'In de eerste maanden van het project is een gedetailleerde planning gemaakt waarbij verschillende deelprojecten zijn gedefinieerd elk met hun eigen complexiteit en risico. Daarnaast is gestart met het bepalen van de benodigde data en de verzameling daarvan. Op dit moment zijn de eerste modellen op basis van kunstmatige intelligentie geïmplementeerd en zijn wij gestart met het trainen van deze modellen op de al verzamelde data. Het doel van deze modellen is om automatisch de omlijning van hoofd-hals tumoren te herkennen op de beelden en deze in te tekenen. De eerste resultaten zien er veelbelovend uit.'