Cornelis van den Berg

UMC Utrecht

Het onderzoek van Cornelis van den Berg houdt in het kort het volgende in:

Improved residual disease detection after (chemo-)radiotherapy for locally advanced head and neck squamous cell carcinoma

Voor hoofd-halskanker omvat de gebruikelijke behandeling het behouden van organen door middel van (chemo)radiotherapie. Er bestaat echter een risico van ongeveer 20% op overblijfend kankerweefsel (detecteerbare tumor) zes maanden na de behandeling. Het beoordelen van de behandelingsrespons, zowel klinisch als met medische beeldvorming, is uitdagend vanwege stralingseffecten die tumoractiviteit nabootsen.

Dit project heeft tot doel een op AI gebaseerd klinisch beslissingsmodel te creëren voor radiologen en radiotherapeuten. Het zal helpen bij het beoordelen van de tumorrespons en het voorspellen van het risico op terugkerende ziekte binnen de eerste twee jaar na de behandeling. Het doel is om betrouwbaar onderscheid te maken tussen resterende ziekte en veranderingen na de behandeling, waardoor de nauwkeurigheid van de beoordeling van de behoefte aan hersteloperaties wordt verbeterd en follow-ups kunnen worden geïndividualiseerd. Dit kan de overleving en kwaliteit van leven verbeteren, terwijl onnodige procedures worden geminimaliseerd en de belasting voor de patiënt wordt verminderd.

Korte samenvatting van voortgang / resultaten april 2026

Wij ontwikkelen AI-methoden die automatisch ongebruikelijke patronen in medische beelden kunnen detecteren zonder grote hoeveelheden gelabelde data nodig te hebben. Als eerste stap hebben wij aangetoond dat deze aanpak werkt voor de detectie van primaire tumoren in scans van hersen- en hoofd-halskanker. We breiden dit werk nu uit om kankerrecidief bij patiënten na behandeling te identificeren. Om dit te doen, verkennen we geavanceerde AI-technieken, zoals moderne zelflerende modellen. Dit werk is al gepresenteerd op verschillende wetenschappelijke conferenties.

Tegelijkertijd werken we samen met internationale partners om een grote dataset van diffusie-MRI-scans te verzamelen. Deze scans geven informatie over de weefselstructuur en kunnen helpen voorspellen wat de kans is dat een tumor terugkomt na behandeling. Eerdere studies hebben gemengde resultaten laten zien, waarschijnlijk door beperkte data. Door data van meerdere centra te combineren, streven we ernaar een robuustere analyse uit te voeren en duidelijkere, betrouwbaardere conclusies te bieden.

Wij hebben zelflerende AI-methoden gedemonstreerd voor tumordetectie en lokalisatie van recidief bij hersenkanker en H&N-kanker.

Korte samenvatting van voortgang / resultaten april 2025

In dit project is een promovendus aangenomen om een AI-hulpmiddel te ontwikkelen dat artsen helpt bij het herkennen van tumorterugkeer bij hoofd-halskanker. In de eerste fase volgde de onderzoeker trainingen in medische beeldvorming, radiotherapie en AI. Inmiddels ligt de focus op dataverzameling en curatie van de data. Van 358 orofarynx- en 318 larynxkankerpatiënten zijn gegevens verzameld. Het eerste doel is het trainen van een AI-model dat afwijkingen detecteert op MRI-beelden van patiënten voor de radiotherapiebehandellng om het risico van terugkeer van de tumor na behandeling te kunnen inschatten. Daarnaast wordt een eerdere studie opnieuw geëvalueerd die suggereert dat bepaalde MRI-waarden vóór behandeling terugkeer kunnen voorspellen.