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 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.