Frank Hoebers

Maastro

Kort samengevat, behelst het fellowship van Frank Hoebers het volgende:

Predicting radiological extranodal extension in oropharyngeal carcinoma patients using AI

'Een van de meest belangrijke prognostische factoren in de behandeling van het oropharynx carcinoom is extranodale groei, ofwel kapseldoorbraak van een lymfkliermetastase met invasie van tumorcellen in het omgevende weefsel. Extranodale groei kan histopathologisch onderzocht worden na chirurgische behandeling. Echter, het oropharynxcarcinoom wordt meestal behandeld met (chemo-) radiotherapie en daarom ontbreekt informatie over pathologische extranodale groei. Uit recent onderzoek is naar voren gekomen dat ook radiologische extranodale groei tot een slechtere uitkomst leidt.

Het wetenschappelijke doel van dit fellowship is om een AI-tool te ontwikkelen die de radioloog kan ondersteunen om radiologische extranodale groei op scans te herkennen.

Hoewel AI veelbelovend is voor de klinische praktijk, blijkt implementatie in het zorgproces vaak moeilijk te zijn. Deels is dit te verklaren doordat artsen moeite hebben om de techniek en algoritmes die ten grondslag liggen aan de AI-applicatie te doorgronden. Hierdoor kan wantrouwen en scepsis ontstaan wat implementatie in de weg staat. Er is dus een noodzaak om meer medici te trainen op het gebied van AI.

Het tweede doel van dit fellowship is dat ik – als radiotherapeut-oncoloog – training ga krijgen om kennis en skills op te doen om de ontwikkeling van AI beter te begrijpen aan de hand van bovenstaande onderzoek naar radiologische extranodale groei. Na dit fellowship is het mijn doel om een brug te slaan tussen de data-scientists (ontwikkelaars) en de artsen (gebruikers) om het gebruik van AI in de kliniek te bevorderen.

Door funding van het Hanarth Fonds ben ik in staat om voor dit persoonlijke fellowship naar Harvard Medical School in Boston, USA te gaan, alwaar ik in het Artificial Intelligence in Medicine (AIM) Program mijn training in AI zal gaan krijgen.'

Publicaties

• Artificial intelligence research in radiation oncology: a practical guide for the clinician on concepts and methods
  • Hoebers FJP, Wee L, Likitlersuang J, Mak RH, Bitterman DS, Huang Y, Dekker A, Aerts HJWL, Kann BH.
  • BJR Open. 2024 Nov 13;6(1):tzae039. doi: 10.1093/bjro/tzae039. PMID: 39583148; PMCID: PMC11585305.
  • https://doi.org/10.1093/bjro/tzae039

Korte samenvatting van de eindresultaten van dit onderzoek september 2023

Augustus 2023. Gedurende mijn fellowship "Predicting radiological extranodal extension in oropharyngeal carcinoma patients using AI" het afgelopen jaar, heb ik me volledig kunnen toe leggen op het onderwerp Kunstmatige Intelligentie op het gebied van Hoofd-Halskanker. Als arts (radiotherapeut-oncoloog) is het zeer waardevol geweest om samen te werken met experts in Kunstmatige Intelligentie bij het Artificial Intelligence in Medicine Program, Mass General Brigham, Harvard Medical School, Boston, Massachusetts, onder leiding van Prof. Hugo Aerts en Dr. Benjamin Kann, en collega's, evenals met  de datascientists van mijn eigen instelling bij de Clinical Data Science Group van Maastro Clinic, Maastricht.

Mijn doel was om een beter begrip te krijgen van het potentieel en de toepassingen van AI in de geneeskunde vanuit het perspectief van een arts. Dit heb ik bereikt door het volgen van een reeks theoretische cursussen en het verkrijgen van enkele basisvaardigheden op het gebied van programmeren, evenals door samen te werken in een multidisciplinair team van datascientists en artsen. Het project richtte zich op het ontwikkelen van voorspellingsmodellen voor prognose bij patiënten met hoofd-halskanker door gebruik te maken van beeldvorming (CT-scans) en het toepassen van zgn. deep learning technieken om de aanwezigheid van kapseldoorbraak in lymfeklieruitzaaiingen te voorspellen bij patienten met keelkanker. Ik heb ook bijgedragen aan andere projecten waarin automatische segmentatietools werden ontwikkeld voor primaire tumoren & lymfekliermetastasen, evenals voor het automatisch intekenen van spier- en vetweefsel in de nek om de mate van sarcopenie (spierverlies) te beoordelen. Deze projecten beogen de prognose van patiënten beter te karakteriseren en proberen ook optimale behandelingsstrategieen voor de toekomst te vinden. 

Met de opgedane kennis zal ik nu proberen een verbinding tot stand te brengen tussen de datascientists en de kliniek om de implementatie van AI-modellen in de dagelijkse praktijk te verbeteren. Hiervoor ben ik van plan mijn expertise in AI te verspreiden binnen de medische gemeenschap om het vertrouwen van collega- artsen te vergroten, resulterend in een beter begrip en acceptatie van AI-toepassingen. Met dit proces verwacht ik dat de kans op implementatie van AI-tools zal toenemen.