Ronald de Krijger

Princess Máxima

Het onderzoek van Ronald de Krijger houdt in het kort het volgende in:

Artificial intelligence for risk group classification and staging of Wilms tumors

Wilms tumoren zijn de meest voorkomende kwaadaardige niertumoren bij kinderen. Zij worden protocollair met preoperatieve chemotherapie, chirurgische resectie van de primaire tumor en vervolgens postoperatief behandeld volgens het huidige UMBRELLA protocol, dat in de meeste Europese landen en ook daarbuiten wordt gebruikt.

Pathologische beoordeling van het resectiepreparaat is cruciaal voor classificatie in een van drie risicogroepen en voor lokale stagering en daarmee voor het postoperatieve beleid. Deze beoordeling is echter inherent subjectief, met volgens de literatuur tot wel 20% discrepanties in de uitslagen. Automatische beoordeling met gesuperviseerde machine learning zal leiden tot robuuste, reproduceerbare herkenning van weefsel- en tumorbestanddelen, zoals al bleek uit ons preliminaire onderzoek.

In het huidige project willen wij dit eerdere onderzoek uitbreiden met herkenning van alle componenten die nodig zijn om te komen tot indeling in een van de risicogroepen. Ook willen we de criteria voor stagering automatisch laten herkennen.

Tenslotte willen we deze bevindingen integreren om te komen tot automatische classificatie zoals nu door een patholoog gedaan wordt. We verwachten hiermee zowel tijdswinst te boeken ten opzichte van de nu vaak lange beoordelingsprocedure als ook een reproduceerbaardere classificatie te verkrijgen.

Publicaties

• Deep Learning and Multidisciplinary Imaging in Pediatric Surgical Oncology: A Scoping Review
  • Cancer Med., 15 januari 2025
  • Klik hier om de publicatie te bekijken
• Automated Deep Learning-Based Classification of Wilms Tumor Histopathology
  • Cancers (Basel), 9 mei 2023
  • Klik hier om de publicatie te bekijken
• Artificial Intelligence in Pediatric Pathology: The Extinction of a Medical Profession or the Key to a Bright Future?
  • Pediatr Dev Pathol, 3 maart 2022
  • Klik hier om de publicatie te bekijken
• Interobserver variability between experienced and inexperienced observers in the histopathological
  analysis of Wilms tumors: a pilot study for future algorithmic approach
  • Diagn Pathol, 21 augustus 2021
  • Klik hier om de publicatie te bekijken

Korte samenvatting van voortgang / resultaten maart 2026

Voortbouwend op onze in 2025 opgebouwde dataset (n=130 Wilms tumoren) is de database uitgebreid met 58 Franse casus van Wilms tumoren, resulterend in een robuuste en internationaal samengestelde uitgangsdatabase voor verdere modelontwikkeling en validatie. Er is gestart met de ontwikkeling van een weakly supervised deep learning-model voor de detectie van anaplasie, een zeldzaam kenmerk dat voorkomt in circa 10% van de Wilms tumoren (in Nederland ongeveer 3 gevallen per jaar) en in geval van aanwezigheid van diffuse anaplasie wijst dit direct op een hoog risicoprofiel. De eerste resultaten laten zien dat het model dit kenmerk met een hoge nauwkeurigheid kan onderscheiden (mediane AUC=0.896).

Daarnaast is gestart met de ontwikkeling van een model voor de automatische detectie van positieve lymfeklieren. HIervoor zijn de annotaties verricht en de modelontwikkeling onlangs gestart. Deze inspanningen ondersteunen de ontwikkeling van algoritmen via een deep learning-gebaseerd systeem voor risicogroepclassificatie en stadiëring van Wilms-tumoren.

Korte samenvatting van voortgang / resultaten maart 2025

Het project heeft in de eerste fase belangrijke vooruitgang geboekt. Archiefcoupes uit het pathologie archief van het Princess Máxima Centrum zijn succesvol geselecteerd en gedigitaliseerd, wat heeft geleid tot een dataset van 130 Wilms-tumorgevallen. De annotaties zijn gestart, met focus op kenmerken zoals anaplasie, nefrogene resten en lymfeklieren. Sinds december 2024 draagt een postdoctoraal onderzoeker met expertise in pathologie-AI bij aan de modelontwikkeling en werkt sinds maart 2025 fulltime aan het project. Deze inspanningen ondersteunen de ontwikkeling van algoritmen via een deep learning-gebaseerd systeem voor risicogroepclassificatie en stadiëring van Wilms-tumoren.