Jeanin van Hooft

LUMC

Het onderzoek van Jeanin van Hooft houdt in het kort het volgende in:

Improving early detection of PANcreatic cancer in HIgh-risk individuals through Artificial Intelligence methods (PAN-HI-AI)

Patiënten met alvleesklierkanker hebben een lage 5-jaarsoverleving doordat de meeste tumoren pas in een laat stadium ontdekt worden. Surveillance programma’s zijn opgezet voor mensen met een hoog risico op alvleesklierkanker (levenslange kans: 5-35%) waarbij zij frequent beeldvorming ondergaan met magnetic resonance imaging (MRI) en endoscopische echografie (EUS). Het is echter noodzakelijk de modaliteiten te verbeteren die gebruikt worden in deze surveillance programma’s, omdat nog slechts weinig van de ontdekte tumoren als voorstadium van kanker of in vroege stadium van kanker worden ontdekt. Kunstmatige intelligentie methoden toegepast op de MRI-scans, specifiek radiomics en deep learning modellen, zouden de klinische besluitvorming kunnen verbeteren door complexe patroon te herkennen waarbij er subtiele veranderingen in de alvleesklier optreden die gepaard gaan met progressie tot kanker.

Initieel is een automatische alvleesklier segmentatie algoritme ontwikkeld. Dit zal gevalideerd worden op alle 2400 MRIs van 340 individuen in het LUMC surveillance programma. Daarna zal dit algoritme extern worden gevalideerd op de 1200 MRI-database van het Karolinska Institutet in Zweden.

Nadat de segmentatie algoritme goed de alvleesklier van omliggende weefsel kan onderscheiden zullen dezelfde cohorten gebruikt worden om een diagnostisch algoritme te trainen dat een alvleeskliertumor van gezonde alvleesklierweefsel en benigne afwijkingen kan onderscheiden. Het classificatie algoritme zal een longitudinale aanpak gebruiken, waarbij meerdere MRI-sequenties en klinische variabelen meegenomen worden.

De laatste stap van het project zal zich richten op het ontwerp van een klinische studie, waarin het algoritme prospectief getest zal worden in hoog-risico surveillance groepen.

 

Korte samenvatting van voortgang / resultaten april 2026

Onze studie is eind 2024 gestart met als doel om vroeg-stadium pancreascarcinoom (en voorloperlaesies) eerder te detecteren op MRI met behulp van artificial intelligence. Dit onderzoek voeren we uit binnen het cohort hoog-risico individuen (circa 20% cumulatief risico door een genetische mutatie), die jaarlijks met MRI-scans worden gevolgd in het LUMC.

Het afgelopen jaar hebben we het cohort hoog-risico individuen verder in kaart gebracht door ontbrekende klinische en beeldvormingsdata aan onze database toe te voegen. Parallel hieraan zijn we de dataset aan het cureren om optimaal gebruik te maken van meerdere MRI-sequenties en zetten we externe validatiecohorten op, samen met de benodigde samenwerkingsovereenkomsten.

Daarnaast werken we aan het verbeteren van ons pancreassegmentatiemodel. Dit model is oorspronkelijk getraind op T2-weighted MRI-scans, maar breiden we uit naar andere MRI-sequenties. Op deze manier kunnen we optimaal gebruik te maken van de complementaire informatie uit de verschillende MRIsequenties.

Parallel hebben we gewerkt aan een ‘slice-to-volume reconstruction’ project, waarin we twee MRI-scans combineren tot een hogere resolutie 3D-volume. Een typische MRI-scan bestaat uit meerdere 2Dsequenties die een hoge in-plane resolutie hebben, maar een lagere through-plane resolutie vanwege de slice spacing tussen de MRI-slices. Door een axiale T2-weighted MRI (van de bovenbuik tot de onderbuik) met een coronale T2-weighted MRI (van de buik tot de rug) met elkaar te combineren, kunnen we een 3D volume reconstrueren dat een hoge resolutie heeft in alle drie de richtingen. Onze gedachte hierachter is dat we de nauwkeurigheid van downstream AI-toepassingen kunnen verbeteren, door met een hogere resolutie volume te starten. Deze eerste pilot studie laat goede resultaten zien en hebben we ingestuurd naar een medical imaging congres. De komende tijd willen we de nauwkeurigheid van deze reconstructies verder valideren en de toegevoegde waarde hiervan evalueren.

Daarnaast willen we ons komend jaar richten op het daadwerkelijk detecteren van pancreasafwijkingen, als een eerste stap richting de subtiele vroeg-stadium pancreastumoren die we uiteindelijk beogen te detecteren in dit project. Het project verloopt goed en we zijn optimistisch dat we de projectdoelstellingen binnen de geplande tijdslijn zullen behalen.

Korte samenvatting van voortgang / resultaten april 2025

Het doel van dit onderzoek is om vroeg-stadium pancreascarcinoom en voorloperlaesies eerder te detecteren op MRI-scans met behulp van artificial intelligence. 

In november 2024 is de klinische PhD-kandidaat (arts-onderzoeker) gestart. In de eerste periode lag de focus vooral op de organisatorische zaken omtrent het onderzoek. Zo hebben we een onderzoeksprotocol geschreven en ter goedkeuring voorgelegd aan de relevante toetsingscommissies. Daarnaast hebben we geprobeerd om van zoveel mogelijk patiënten binnen ons pancreassurveillance programma informed consent te verkrijgen voor het gebruik van hun MRI-scans en bijbehorende gegevens in dit onderzoek. We exporteren momenteel de beeldvorming (voornamelijk MRI-scans, maar ook CT-scans) van deze patiënten uit het PACS naar onze netwerkschijf, in bestandsformats die geschikt zijn voor verdere analyse. Deze scans zullen ook geüpload worden naar onze XNAT facility. 

In maart 2025 is ook de technische PhD-kandidaat op dit project gestart, waarmee ons team compleet is. We hebben nu ook inhoudelijk goede eerste stappen kunnen zetten. Met een continuous learning approach hebben we een eerste versie van ons pancreassegmentatie-algoritme ontwikkeld, waarmee we goede eerste resultaten behalen. We zijn bezig met de voorbereiding van een eerste wetenschappelijke publicatie over deze resultaten. In de komende periode zullen we het pancreassegmentatie-algoritme verder optimaliseren door meer trainingsdata toe te voegen. Vervolgens willen we de prestaties van ons pancreassegmentatie-algoritme vergelijken met die van openbaar beschikbare pancreassegmentatiealgoritmes, en onderzoeken hoe ons algoritme presteert op MRI-scans afkomstig uit andere cohorten.
Parallel daaraan richten we ons op het verbeteren van de resolutie van MRI-scans. Dit doen we door verschillende MRI-vlakken (axiaal, coronaal, sagittaal) te combineren met een super-resolution aanpak.