Inez Verpalen

Amsterdam UMC

Het onderzoek van Inez Verpalen houdt in het kort het volgende in:

Development and implementation of Image-based machine-learning models to Determine the response to neoadjuvant therApy in panCreatic ducTal adenocarcinoma (DIDACT)

Pancreatic ductal adenocarcinoma (PDAC) is een zeer dodelijke vorm van kanker, en chirurgie is de enige genezende optie. Neoadjuvante therapie (NAT) wordt vóór de operatie gegeven om de groei van de tumor te beheersen en micrometastasen aan te pakken. Ondanks NAT krijgt maar liefst 40% van de patiënten een vroeg recidief binnen 12 maanden na chirurgie. Deze patiënten hebben een slechte overleving.

Momenteel is er geen betrouwbare preoperatieve biomarker is om deze slechte overlevingsresultaten te voorspellen. In dit project willen wij met behulp van kunstmatige intelligentie (AI) een model ontwikkelen om de NAT- respons bij PDAC-patiënten te voorspellen op computertomografie (CT)-beeldvorming. CT- beeldvorming bevat mogelijk relevante informatie die niet zichtbaar is voor het menselijk oog en met behulp van AI kunnen we hopelijk therapie-geïnduceerde veranderingen wél identificeren. We zullen dit model ontwikkelen en valideren op Nederlandse multicenter data en op internationale data van onze PHAIR-consortium partners. Het toepassen van dit model zal hopelijk tot een verbeterde selectie van patiënten voor chirurgie en chemotherapie en hierdoor de kwaliteit van leven voor patiënten met PDAC te verbeteren.

Korte samenvatting van voortgang / resultaten januari 2026

De studie, die officieel van start is gegaan in februari 2024, boekt nog altijd goede vooruitgang richting het doel: het ontwikkelen en extern valideren van CT-gebaseerde machine learning-modellen voor  preoperatieve response assessment op neoadjuvante therapie (NAT) bij PDAC-patiënten. In het afgelopen jaar is er aanzienlijke vooruitgang geboekt binnen alle workpackages.

Externe samenwerkende centra (van ons PHAIR-consortium) zijn momenteel bezig met lokale dataverzameling in het kader van WP3, waarbij verschillende centra hun datasets al compleet of bijna compleet hebben. Parallel hieraan is het onderzoek gericht op dataverzameling, de extractie van CTfeatures en het gebruik hiervan voor NAT-response predictie, conform WP1 en WP2. In het kader van WP2 voeren we ook een feasability study uit naar micro-CT beeldvorming van pancreasweefsel. Deze studie heeft als doel de potentie van micro-CT te onderzoeken voor radiologisch-pathologische correlatie in gerececteerde pancreascarcinoom-specimens, met als uiteindelijk doel een beter begrip van tumorkarakteristieken en therapierespons.

Daarnaast zijn we bezig met het opzetten van een nationale PDAC-imaging database in nauwe samenwerking met de Dutch Pancreatic Cancer Group (DPCG) en Eindhoven (Catharina Ziekenhuis), zoals beschreven in WP4. De voorbereidende stappen voor de implementatie van de database zijn gezet en de coördinatie met nationale partners verloopt goed om een robuuste en duurzame infrastructuur te waarborgen. Onlangs heeft het Catharina Ziekenhuis een KWF-subsidie ontvangen waarin specifiek budget is opgenomen voor het Collective Minds-platform. Dankzij deze gerichte financiering is een belangrijk deel van onze nationale uitdagingen rondom imaging-infrastructuur opgelost. Dit is van groot belang, aangezien onze eerdere aanvraag bij Hanarth voor dit doel niet is gehonoreerd. Tevens hebben we onze plannen voor imaging-infrastructuur gepresenteerd aan de DPCG (de presentatie is als bijlage bij dit rapport gevoegd).

Al met al ligt het project op schema, met gestage vooruitgang op zowel nationaal als internationaal niveau en het team is optimistisch over het behalen van de projectdoelstellingen binnen de geplande termijn.

Korte samenvatting van voortgang / resultaten januari 2025

De studie is eind februari 2024 officieel van start gegaan en heeft als doel een op CT-scans gebaseerd machine-learningmodel te ontwikkelen en extern te valideren voor de pre-operatieve beoordeling van de respons op neoadjuvante chemotherapie (NAT) bij PDAC-patiënten. Nationaal nemen meerdere centra deel, waarbij de Dutch Pancreatic Group (DPCG) akkoord heeft gegeven voor retrospectief datagebruik uit eerdere studies. De verzameling van data en beelden verloopt volgens planning. 

Er is een segmentatiemodel ontwikkeld, en een voorbereidende studie met een kleine dataset is uitgevoerd om twee segmentatiemethoden en handcrafted radiomics versus deep learning-methoden met elkaar te vergelijken.

De volgende fase richt zich op de internationale dataverzameling via het Pancreatobiliary and Hepatic Artificial Intelligence Research consortium (PHAIR). Bij enkele deelnemende centra is al ethische goedkeuring verkregen. 

Daarnaast onderzoeken we de mogelijkheden voor het opzetten van een PDAC-imagingdatabase. De eerste gesprekken met een potentiële industriële partner zijn veelbelovend en kunnen bijdragen aan de succesvolle realisatie hiervan.