Drie AI-projecten voor zeldzame kanker van het Radboudumc hebben een subsidie toegewezen gekregen van het Hanarth Fonds. De projecten maken gebruik van AI-methoden voor het opsporen, de diagnose en behandeling van zeldzame kankers. De betreffende projecten richten zich onder andere op de ontwikkeling van gepersonaliseerde voorspellingen, digitale detectie en immuuntherapieën.
De medische besluitvorming met betrekking tot de behandeling van zeldzame kanker wordt steeds complexer. Deels omdat de ontwikkeling van nieuwe therapieën, gebaseerd op vooruitgang in immunologie, genetica en systeembiologie. Dat leidt tot een snelle uitbreiding van de oncologische kennis en een exponentiële groei van het aantal elektronische patiëntendossiers en daarmee ook de beschikbare data.
Potentie AI voor big-data uitdagingen
De hoeveelheid informatie die per patiënt beschikbaar is, over zowel de huidige toestel als uit eerdere behandeltrajecten, zorgt voor een big-data uitdaging. Allemaal factoren die er toe kunnen leiden dat de medische besluitvorming niet alleen steeds complexer wordt, maar daarmee groeit ook de kans op het nemen van besluiten die niet optimaal zijn.
Dat is waar AI, kunstmatige intelligentie, een meerwaarde kan leveren. Mits goed gebruikt, kunnen AI-methoden en -algoritmen de opsporing, diagnose en behandeling van zeldzame kanker verbeteren. Vanuit het Radboudumc zijn drie AI-projecten, die zich daarop richten, door het Hanarth Fonds gehonoreerd met een subsidie.
Drie AI-projecten voor zeldzame kanker
Het eerste project is 'De onzichtbare kanker ontmaskeren: digitale detectie van diffuus type maagcarcinomen.' Een project van Chella van der Post en Franchesco Ciompi waarbinnen AI-methoden ontwikkeld worden om de diagnostiek van diffuse maagkanker (DGC) te verfijnen. Diffuse maagkanker is moeilijk te vinden op biopsieën en kan makkelijk gemist worden. AI kan de patholoog daarbij ondersteunen doordat het de detectie van relevante celtypen verbeterd, met een groot potentieel om de diagnostiek van kanker te verbeteren. De automatisering van celdetectie door AI-algoritmen zal het ook mogelijk maken om DGC-patronen in grote reeksen dia's kwantitatief en objectief te beoordelen, wat mogelijk nieuwe inzichten oplevert in specifieke morfologische kenmerken van DGC, zoals patronen van ruimtelijke celverdelingen.
Het tweede project, 'Verbeterde transparante AI-methoden voor gepersonaliseerde voorspelling op basis van gegevens zeldzame kankers' is van Marianne Jonker, Kit Roes, Carla van Herpen en Ton Coolen. Dit project zoekt oplossingen voor het feit dat het identificeren van mogelijke behandelingen voor zeldzame kankers moeilijk is. Dit komt vooral ook omdat patiëntgegevens van verschillende instellingen, door regelgeving en logistieke problemen, nauwelijks gedeeld kunnen worden. Binnen dit project worden twee complementaire routes voorgesteld om de uitdagingen van kleine datasets voor zeldzame kankers het hoofd te bieden. De eerste is om te focussen op krachtigere technieken voor gevolgtrekking die beter kunnen omgaan met een kleine steekproefomvang. De tweede route is het ontwerpen en verbeteren van machine learning-algoritmen die de noodzaak van datapooling op één locatie omzeilen door rond medische instituten te 'fietsen' met kleine datasets (federatief leren). Voor het project zullen gegevens over speekselklierkanker worden geanalyseerd met de voorgestelde methoden.
Het derde project dat de Hanarth subsidie ontvangt is 'Multimodale datafusie om de ontwikkeling van immuuntherapieën voor oogmelanoompatiënten te begeleiden', van Kalijn Bol en Johannes Textor. Oogmelanoom verschilt klinisch en genetisch van huidmelanoom en de respons op immunotherapie is laag. In dit project worden beeldvorming en gegevens van meerdere patiëntgroepen geanalyseerd om tumor-immuun interacties te onderzoeken. Het risico van overfitting van de gegevens (een probleem in datamining wanneer willekeurige variaties in gegevens verkeerd worden geclassificeerd als belangrijke patronen) en potentiële problemen bij de gegevensfusie moet zo goed mogelijk worden voorkomen. Daarvoor wordt eerst een analysebenadering ontwikkeld en geoptimaliseerd met gesimuleerde gegevens die lijken op echte gegevens. De onderzoekers streven er naar om een mechanistisch begrip van immunologische processen te ontwikkelen. Dat moet er dan toe bijdragen dat de behandeling van oogmelanoompatiënten in te toekomst verbeterd kan worden.
Personal Health Train
Het feit dat de benodigde onderzoeksdata voor zeldzame vormen van kanker moeilijk te koppelen is doordat de data bij veel verschillende zorginstellingen staat, is een probleem dat ook aangepakt wordt via de Personal Health Train (PHT). Dit is een innovatieve manier van data-analyse, geschikt voor onderzoeken die gebruik maken van privacygevoelige data uit meerdere databronnen.
Het principe van PHT is dat te analyseren data niet vanuit diverse databronnen centraal verzameld worden, maar beschikbaar komen via de verschillende databronnen. De data wordt niet naar de analyse gebracht, maar gaat als een trein via een technische infrastructuur (de rails) naar de verschillende databronnen (de stations). De data hoeft dus niet verplaatst te worden, iets dat vaak gebonden is aan wettelijke regels en privacy beperkingen.
