Oleh Dzyubachyk

LUMC

Het onderzoek van Oleh Dzyubachyk houdt in het kort het volgende in:

Identifying Individuals at High Risk of Melanoma Using Total-Body Photographs: A Deep-Learning Approach

Het melanoom is een agressieve vorm van huidkanker die gepaard gaat met aanzienlijke mortaliteit en zorgkosten. Het levenslange risico op het ontwikkelen van melanoom in Nederland is 1%, waarbij bepaalde subgroepen een hoger risico lopen door erfelijke aanleg, meerdere atypische moedervlekken, een lichte huidskleur en overmatige blootstelling aan UV-straling. Vroegtijdige diagnose is cruciaal om metastasering te voorkomen en periodieke controles van de huid worden aanbevolen voor patiënten met een hoog risico op het ontwikkelen van een melanoom. De huidige criteria om patiënten te identificeren die geadviseerd worden om levenslange periodieke screening te ondergaan zijn breed en kunnen aanzienlijk worden verbeterd. Huidkankerscreening is gerelateerd aan aanzienlijke zorgkosten en zijn niet haalbaar voor alle risicopersonen (ongeveer één miljoen mensen in Nederland).

Wij hebben een unieke set van full body foto’s en gedetailleerde klinische gegevens verzameld van patiënten met een verhoogd risico op melanoom. Door gebruik te maken van deep learning zullen wij een algoritme ontwikkelen dat patiënten kan identificeren met atypische moedervlekken en erfelijke melanoomgevoeligheid die een bijzonder hoog risico lopen. Dit stelt artsen in staat om patiënten met een hoog risico op melanoom te selecteren voor periodiek huidonderzoek, instructies voor huidzelfonderzoek, sequentiële fotografie en excisies van verdachte huidlaesies, terwijl onnodige huidkankerscreening kan worden verminderd. Het vermogen van deep learning algoritmen om patronen te detecteren die geassocieerd zijn met een hoog risico op melanoom in deze multimodale gegevens kan de ontwikkeling van gepersonaliseerde preventiestrategieën voor zowel hoog- als gematigd risicopatiënten verbeteren.

Korte samenvatting van voortgang / resultaten juni 2026

In deze initiële fase van het project hebben we belangrijke richtingen en mijlpalen vastgesteld die ons zouden helpen bij het bereiken van ons uiteindelijke doel in dit project, namelijk het ontwikkelen van een multimodaal systeem voor het inschatten van het risico op melanoom op basis van deep learning en totalbody-fotografie (TBF). We hebben met name de beschikbaarheid van de klinische data en de bijbehorende annotaties geanalyseerd en ontdekten dat er veel meer dermoscopiebeelden beschikbaar zijn dan TBFbeelden. We hebben vervolgens aangetoond dat het classificeren van huidlaesies op basis van TBF-data sterk gebaat is bij het vooraf trainen van het model op dermoscopiedata. Het betreffende manuscript is (voorlopig) geaccepteerd voor presentatie op MICCAI (Medical Image Computing and Computer Assisted Intervention; toonaangevende conferentie op het gebied van medische beeldverwerking).

Vervolgens hebben we, als eerste stap naar het kwantificeren van de total-body-data, een samenwerking opgezet met deskundige clinici en statistici. Wij zijn van mening dat een juiste probleemformulering cruciaal zal zijn voor ons project, aangezien de meeste daaropvolgende taken, waaronder maar niet beperkt tot data annotatie en methodologieontwikkeling, in hoge mate zullen afhangen van de gekozen probleemformulering. Om een beter inzicht te krijgen in dit probleem, zijn we met name een samenwerking aangegaan met een van de toonaangevende deskundigen op dit gebied. Er wordt momenteel gewerkt aan een gezamenlijk artikel waarin de uitdagingen worden belicht die gepaard gaan met het voorspellen van het risico op melanoom met behulp van AI-modellen.