Ondersteuning van wetenschappelijk onderzoek
UMC Utrecht
Het onderzoek van Kenneth Gilhuijs houdt in het kort het volgende in:
' Multipel myeloom (MM) is een zeldzame hematologische maligniteit met een voor leeftijd gecorrigeerde incidentie van zes per 100.000 per jaar in Europa en de VS. De meest gevreesde manifestatie - naast bloedarmoede, nierdisfunctie en hypercalciëmie - is uitgebreide skeletschade: er ontstaan gaten in het skelet (osteolytische laesies) en botontkalking leidt tot wervelinzakkingen.
Er zijn momenteel geen methoden beschikbaar om met voldoende hoge specificiteit te voorspellen bij welke wervelniveaus dergelijke inzakkingen zullen optreden in individuele patiënten. Als dergelijke methoden beschikbaar zijn, kunnen ze gebruikt worden voor triage van patiënten naar preventieve interventies bij de vroegste tekenen van spinale verzwakking, bij voorkeur voordat wervelinzakkingen optreden.
Het doel van dit project is om patiënt-specifieke en wervel-specifieke voorspellingen te doen van dreigende en klinisch relevante wervelinzakkingen. Voor dit doel gebruiken wij kunstmatige intelligentie om baseline- en follow-up CT-scans en clinicopathologische kenmerken te integreren. We verwachten dat dit het risico op (verdere) wervelinzakking zal verkleinen, waardoor de kwaliteit van leven en overleving van MM-patiënten zal verbeteren.
PreVeCAIMM is een samenwerking tussen het Image Sciences Institute en de afdelingen Hematologie, Radiologie en Orthopedische Chirurgie van het Universitair Medisch Centrum Utrecht.'
In het eerste projectjaar is een database samengesteld van alle patiënten met multipel myeloom uit het UMC Utrecht in de periode tussen 2005 en 2022. De eerste CT-scans werden gemaakt bij de diagnose en verdere vervolgscans wanneer de symptomen verergerden. In totaal zijn er 1740 scans verkregen van 528 patiënten. Het aantal scans per patiënt variëert van 1 tot 29 over de tijd.
De longitudinale CT-scans van het hele lichaam zijn groot en bevatten veel informatie. Om de informatie te isoleren om voorspellingen uit te voeren, is een vertebrale tracking en segmentatiemodule ontwikkeld dat gebruik maakt van convolutionele neurale netwerken. De vertebrale tracking module vindt automatisch de middelpunten van de wervels en de bijbehorende labels. Dit stelt ons in staat om het ziekteverloop in elke wervel over de tijd te volgen. Een segmentatiemodule is vervolgens ontwikkeld die elke voxel in individuele wervels identificeert. Dit zal worden gebruikt om botdichtheid, vorm en lytische botlaesies vast te stellen. Deze factoren zijn voorspellers voor wervelcompressiefracturen. De vertebrale tracking- en segmentatiemodule is getraind en gevalideerd op de open-source database VerSe. Tests op de PreVeCAIMM-database laten veelbelovende resultaten zien met betrekking tot de generaliseerbaarheid van deze module.