Stefan Klein

Erasmus MC

Kort samengevat, behelst het onderzoek van Stefan Klein het volgende: 

Automatic grading and phenotyping of soft-tissue tumors through machine learning to guide personalized cancer treatment

'Soft tissue tumors (STT) are a rare and complex group of lesions with a broad range of differentiation. All STT subtypes greatly differ in their clinical behavior, aggressiveness, molecular background, and preferred treatments given. Diagnosis of the correct phenotype, the grade of aggressiveness, and molecular make-up is therefore of utmost importance. Diagnosis of STT is generally supported by imaging, such as computed tomography (CT) and magnetic resonance imaging (MRI). However, visual assessment by a radiologist tends to be subjective and not precise. Quantitative, computational (“radiomics”) imaging features and state-of-the-art Artificial Intelligence (AI) techniques based on machine learning could enable more objective and precise STT diagnosis.

With the support of the Hanarth Foundation, we aim to develop a comprehensive STT diagnostic model, both for phenotyping and grading. This model will be trained and validated in a large, multi-center cohort, and evaluated in a clinical setting. The model will be based on quantitative image analysis by radiomics and deep learning. We hypothesize that, by considering multiple STT phenotypes at once instead of training a specialized model for each subtype, breakthroughs will be achieved with regard to the diagnostic performance of the AI model and its generalizability. Our AI model will guide diagnosis and treatment decisions, thereby facilitating personalized medicine.'

Korte samenvatting van voortgang / resultaten 2022

In dit project willen we met behulp van artificiële intelligentie (AI) een model ontwikkelen dat de diagnose van tumoren in weke delen ondersteunt, door het fenotype en de graad van de tumor te voorspellen op basis van MRI- en/of CT-beeldvorming. In het eerste jaar van dit project hebben we ons gericht op:

1. de ontwikkeling van een roadmap met klinisch relevante vraagstukken die met AI kunnen worden aangepakt;
2. dataverzameling;
3. de ontwikkeling van geautomatiseerde methoden voor tumorsegmentatie.

Wat het laatste punt betreft is segmentatie een vereiste voor veel vervolganalyses door AI methodes. Echter is handmatige segmentatie een tijdrovend proces. We hebben daarom het gebruik onderzocht van minimaal interactieve segmentatiemethoden, waarbij de arts slechts een paar punten in de tumor hoeft te annoteren, evenals een self-supervised learning methode. Hierbij wordt de training van het segmentatiemodel geïnitialiseerd door een model getraind voor het oplossen van een andere taak waarvoor meer data beschikbaar zijn.