Ronald Boellaard

Amsterdam UMC, locatie VUMC

Kort samengevat, behelst het onderzoek van Ronald Boellaard het volgende: 

Artificial intelligence and machine learning for FDG PET/CT response prediction in diffuse large B cell lymphoma

'The project aims at the application of artificial intelligence (AI) methods to improve prognosis and treatment response prediction based on FDG PET/CT studies of diffuse large B-cell lymphoma patients. This project is an extension of a successfully running international consortium project PETRA (petralymphoma.org). The Hanarth Fonds grant will be used to investigate the use of radiomics analysis in combination with machine learning as well as the use of convolution neural networks for deep radiomics analysis of FDG PET/CT to better predict response to treatment, thereby avoiding futile treatments, as compared to current FDG PET/CT reads.'

Korte samenvatting van voortgang / resultaten 2022

Gedurende de eerste 6 maanden is er gekeken naar methoden die kunnen corrigeren voor tumor PET data variaties ten gevolge van variatie in PET beeld reconstructie instellingen (zoals je in multicenter studies ziet) en door variatie in gebruik tumor delineatie methoden (zoals je in verschillende softwarepakketten ziet). Uit deze studies is gebleken dat data harmonisatie met deze zogenaamde COMBAT methoden mogelijk en noodzakelijk wanneer gebruik gemaakt wordt van sommige type delineatie methodes, maar dat als de tumor segmentaties op contouren met een vaste drempel waarden zijn gebaseerd dit niet nodig bleek te zijn. 

Verder hebben we een deep learning methode (CNN) ontwikkeld, toegepast en gevalideerd. De methode gebruikt FDG PET maximum intensiteits beelden als input en geeft een voorspelling (kans) op 2 jaars tijd tot progressie op basis van baseline FDG PET studies in DLBCL patienten. We hebben aangetoond dat het mogelijk om met deep learning de 2 jaars TTP te voorspellen met een extern gevalideerde ROC-AUC=0.7. Op dit moment breiden we de methode uit door ook andere PET features en klinische gegevens mee te nemen in de voorspelling en daarmee de prestaties te verbeteren. Verder voegen we explainable componenten toe zodat de gebruiker informatie krijg op basis van welke beeld eigenschappen (bijvoorbeeld aanwezigheid, locatie en spreiding van tumoren) de voorspelling is gebaseerd waardoor de gebruiker in staat is om in te schatten of de voorspelling aannemelijk is.