Kunstmatige Intelligentie in Oncologie

Ondersteuning van wetenschappelijk onderzoek

Gehonoreerde aanvragen 2022

Jelle Ruurda

UMC Utrecht

Het onderzoek van Jelle Ruurda houdt in het kort het volgende in:

INTelligent computeR-Aided Surgical gUidance for Robot-assisted surGEry – the INTRA-SURGE-project for the future of surgery

In Nederland krijgen ieder jaar 3000 mensen de diagnose slokdarmkanker. Rond de 25% daarvan komt in aanmerking voor een operatie, welke gepaard gaat met risico’s op complicaties. De robot-geassisteerde slokdarmresectie is een complexe operatie vanwege de ligging van belangrijke structuren in het nauwe operatieveld in de borstholte. INTRA SURGE wil anatomieherkenning met kunstmatige intelligentie mogelijk maken tijdens slokdarmresecties om chirurgen te ondersteunen. Daarnaast zal onderzocht worden hoe een 3D model van de preoperatieve CT scan gematcht kan worden met het chirurgische beeld. Het doel van het INTRA SURGE project is om operaties in de toekomst nog beter en veiliger te maken.

 

Publicaties

  • Scaling up self-supervised learning for improved surgical foundation models
    • Cornell University, Arxiv,16 januari 2025
    • Klik hier om de publicatie te bekijken.
  • Benchmarking and Enhancing Surgical Phase Recognition Models for Robotic-Assisted Esophagectomy
    • Cornell University, Arxiv, 5 december 2024
    • Klik hier om de publicatie te bekijken
  • Benchmarking Pretrained Attention-based Models for Real-Time Recognition in Robot-Assisted Esophagectomy
    • Cornell University, Arxiv,4 december 2024
    • Klik hier om de publicatie te bekijken.

 

Korte samenvatting van voortgang / resultaten februari 2025

Het INTRA SURGE project richt zich op het verbeteren van real-time chirurgische begeleiding bij robot-geassisteerde minimaal invasieve slokdarmoperaties. Met behulp van deep learning ontwikkelen we AI-modellen voor anatomie herkenning, chirurgische fase-herkenning en 3D-registratie. De INTRA SURGE-database, met geannoteerde video's, frames en stereoscopische operatievideos, ondersteunt dit werk. Onze eerste resultaten tonen aan dat toepassingen als self-supervised learning de modelprestaties aanzienlijk verbetert, waardoor anatomische structuren en chirurgische fasen beter worden herkend. De volgende stappen zijn het verfijnen van deze AI-modellen voor real-time chirurgische assistentie en validatie in laboratorium en klinische omgevingen.