Subsidie voor drie AI-projecten voor zeldzame kanker

De projecten gebruiken AI-methoden voor de opsporing, diagnose en behandeling van zeldzame kankers

Het Hanarth Fonds kent subsidie toe aan drie projecten van het Radboudumc. De projecten gebruiken AI-methoden voor de opsporing, diagnose en behandeling van zeldzame kankers.

De oncologische kennis breidt zich snel uit met voortdurend nieuwe therapieën, gebaseerd op vooruitgang in immunologie, genetica en systeembiologie. Dit leidt tot een ‘explosie’ van elektronische patiëntendossiers. Bovendien is er vraag naar gepersonaliseerde behandeling van kanker. Elke patiënt vertegenwoordigt een big data-uitdaging, met enorme hoeveelheden informatie over de huidige toestand en eerdere trajecten. Dit alles maakt de medische besluitvorming steeds complexer en beslissingen zijn vaak niet optimaal. Goed gebruik van AI kan de opsporing, diagnose en behandeling van zeldzame kankers vaak verbeteren.

De gehonoreerde projecten:

De onzichtbare kanker ontmaskeren: digitale detectie van diffuus type maagcarcinomen - Chella van der Post; Franchesco Ciompi
Dit project gaat AI-methoden ontwikkelen om de diagnostiek van diffuse maagkanker (DGC) te verfijnen. Aangezien diffuse maagkanker gemakkelijk kan worden gemist of moeilijk te vinden is op biopsieën, zal AI de patholoog helpen bij het diagnostisch onderzoek. Daardoor wordt de detectie van relevante celtypen verbeterd, met een groot potentieel om de diagnostiek van kanker te verbeteren. Bovendien zal de automatisering van celdetectie door AI-algoritmen het 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. Met dit project willen onderzoekers AI gebruiken om toekomstige patiënten met (H)DGC beter te identificeren en te classificeren om de detectie van individuele patiënten en families te vergroten. Dit kan uiteindelijk resulteren in een betere patiëntstratificatie voor therapeutische opties en klinische beslissingen.

Verbeterde transparante AI-methoden voor gepersonaliseerde voorspelling op basis van gegevens zeldzame kankers - Marianne Jonker; Kit Roes; Carla van Herpen; Ton Coolen
De prognose van patiënten met zeldzame vormen van kanker is slechter dan die van patiënten met veel voorkomende vormen van kanker. Onder meer omdat het moeilijker is om mogelijke behandelingen voor zeldzame kankers te identificeren, omdat er doorgaans slechts kleine hoeveelheden patiëntgegevens beschikbaar zijn voor onderzoek. Het bundelen van gegevens van verschillende instellingen zou de situatie kunnen verlichten, maar dat is in de praktijk een uitdaging vanwege regelgevende en logistieke problemen.

Er 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). Gegevens over speekselklierkanker zullen worden geanalyseerd met de voorgestelde methoden.

Multimodale datafusie om de ontwikkeling van immuuntherapieën voor oogmelanoompatiënten te begeleiden Kalijn Bol; Johannes Textor
In Nederland komt oogmelanoom bij ongeveer 200 patiënten per jaar voor. Tot de helft van de patiënten met een primair oogmelanoom krijgt uitzaaiingen (metastasen). 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. Uiteindelijk willen we een mechanistisch begrip van immunologische processen verkrijgen, wat moet helpen om in de toekomst de behandeling van oogmelanoompatiënten te verbeteren."

Hanarth Fonds
Het Hanarth Fonds is opgericht op 28 september 2018 en is ontstaan uit de nalatenschap van Arthur del Prado, oprichter en voormalig CEO van ASM International. Het fonds heeft tot doel het gebruik van kunstmatige intelligentie en machine learning te  bevorderen en  te verbeteren om de diagnose, behandeling en uitkomst van patiënten met kanker te verbeteren. In dit kader steunt het Hanarth Fonds wetenschappelijk onderzoek dat zich in het bijzonder, maar niet uitsluitend, richt op zeldzame vormen van kanker. Potentiële aanvragers zijn clinici of wetenschappers met een achtergrond in oncologie en met interesse in kunstmatige intelligentie en machine learning  samen met partner(s) met een achtergrond in kunstmatige intelligentie en machine learning en interesse in oncologie.

Tags bij dit artikel:

• kanker
• intelligentie
• Radboudumc
• wetenschappers
• patiëntgegevens
• behandeling
• Oncologie
• opsporing
• diagnose
• kunstmatige
• algoritme