Arthur Braat

UMC Utrecht

Het onderzoek van Arthur Braat houdt in het kort het volgende in:

TowArds IndividuaLized PSMA PET/CT-guided Treatment in Metastastatic PrOstate CanceR Using Machine Learning-Derived Risk Stratification (TAILOR-MADE)

Hormoon sensitief uitgezaaid prostaat kanker kan zich presenteren op vele verschillende manieren, in vorm van agressiviteit, aantal uitzaaiingen en prognose. Juiste ziekte classificatie bij diagnose is van essentieel belang voor de keuze van de juiste behandeling. Tegenwoordig is een PSMA PET/CT de goud standaard voor het detecteren van uitzaaiingen, met een significant hogere sensitiviteit dan CT + botscan (85% vs. 38%). Het gebruik van een PSMA PET/CT in plaats van CT + botscan, resulteert in detectie van meer uitzaaiingen in bijna twee-derde van de patiënten. Het huidige ziekte classificatie system kent twee vormen: “laag-volume” [LVD] of “hoog-volume” ziekte [HVD]. Dit wordt gebaseerd op de locatie en aantal uitzaaiingen, gevonden op een CT + botscan. Classificatie in LVD of HVD heeft grote klinische consequenties, omdat verschillende behandelstrategieën effectief zijn in de verschillende groepen.

In de hedendaagse klinische routine zijn de CT en botscan volledig vervangen door de PSMA PET/CT. Daardoor is het classificatiesysteem niet te generaliseren naar de huidige praktijk. Daarnaast is hormoon sensitief prostaatcarcinoom een hele heterogene ziekte. Verbeterde ziekte classificatie is behulpzaam om een meer passende behandeling voor patiënten te selecteren.

Daarom is er een nieuwe ziekte classificatie systeem nodig, gebaseerd op de PSMA PET/CT. Ook zijn er nieuwe prognostische markers nodig om onze huidige zorg te verbeteren. Naast het verbeteren van de huidige zorg, is een nieuw classificatie systeem ook nodig, om nieuwe wetenschappelijke studies te kunnen laten aansluiten met de huidige klinische zorg. Tegelijkertijd hopen we hiermee meer inzicht te kunnen krijgen in de onderlinge verschillen tussen verschillende patiënten en ook verschillende wetenschappelijke studies beter met elkaar te kunnen vergelijken, om te begrijpen waarom sommige studies positieve resultaten tonen, maar anderen niet.

In dit project gaan we kunstmatige intelligentie toepassen om de PSMA PET/CT automatisch te analyseren en nieuwe beeldvormende prognostische markers te identificeren. Samen met klinische gegevens, hopen we een nieuw ziekte classificatie systeem te ontwikkelen voor prostaatkanker, met behulp van kunstmatige intelligentie.

 

Publicaties

• Integration of prostate-specific membrane antigen-PET and multiparametric MRI for gross tumour volume definition in localised and locally advanced prostate cancer treated with image-guided radiotherapy
  • Current Opinions in Urology (15-07-2025)
  • Klik hier om de publicatie te bekijken. 

 

Korte samenvatting van voortgang / resultaten mei 2026

In het tweede jaar van deze studie, het studie team heeft de data collectie afgerond en is de laatste stappen aan het zetten om de data op te schonen. Het opschonen van de data is nodig om te kunnen starten met het ontwikkelen van het predictie model het komende jaar, het primaire doel van de TAILORMADE studie. 

Verschillende segmentatie methoden en software pakketten zijn geëvalueerd in het tweede jaar. Gevolgd op deze evaluatie is besloten om een nieuw segmentatie model te gaan trainen voor de benodigde radiomics feature extraction. Dit zal komend jaar worden afgerond met behulp van de reeds beschikbare geannoteerde training dataset.

Korte samenvatting van voortgang / resultaten april 2025

In het eerste jaar van deze studie werd de TAILORMADE studie goedgekeurd en is een database geconstrueerd samen met de onderzoekers van de TRIPLEAIM-1 studie. 

Aangezien dit een multi-center studie betreft, zijn meerdere overeenkomsten en vrijstellingen opgesteld en ontvangen om gegevens op een veilige manier over te dragen. Tot nu toe 85% van de medische centra ingestemd om deel te nemen aan onze studie en we verwachten data verzameling in de komende maanden af te ronden.

Het eerste deel van dit project richt zich op het automatisch segmenteren van tumoren op een PSMA PET/CT en het extraheren van radiomics features. Hiervoor is een state-of-the-art convolutioneel euraal netwerk getraind en zijn beschikbare commerciele pakketten geëvalueerd. Het beste segmentatie model zal worden gekozen, voor de rest van het project.