Casper van Eijck

Erasmus Medical Center, Rotterdam

 

Kort samengevat, behelst het onderzoek van Casper van Eijck het volgende:

'Clinical Decision Support for Pancreatic Cancer

Pancreatic adenocarcinoma (PDAC) is the fourth cause of cancer-related mortality world-wide with a five-year survival rate of less than 5%. Despite multiple large-scale genetic sequencing studies, identification of predictors of treatment response and patient survival remains challenging. The advance of artificial intelligence enables us to decipher the relationship between various levels of genetic measurements and the patient outcomes, and gain a more complete picture of the disease to develop better prognostic strategies to stratify patients. We aim to develop artificial intelligence frameworks that can be applied to support clinical decision-making in prospective clinical trials and to improve patient stratification by targeting those patients that will benefit from FOLFIRINOX treatment. This will improve treatment efficacy and reduce toxicity by withholding ineffective treatments for selected patients.'

 

Korte samenvatting van voortgang/ eindresultaten augustus 2024

De grote heterogeniteit van het pancreaskanker is een grote uitdaging voor de voorspelling van de prognose en het behandelmanagement. In dit project hebben we kunstmatige intelligentie raamwerken ontwikkeld die de klinische besluitvorming van PDAC kunnen ondersteunen en de stratificatie van PDACpatiënten kunnen verbeteren door ons te richten op patiënten die baat zullen hebben bij zware behandelingen zoals chirurgie of FOLFIRINOX-chemotherapie.

Meer specifiek hebben we een, op diepgaand leren (deep learning)) gebaseerd, raamwerk ontwikkeld om de overleving van PDAC-patiënten te voorspellen. We hebben overeenkomstige multi-omics biomarkers geïdentificeerd die verband houden met DNA-schadeherstel en immuunresponsprocessen. De biomarkers werden gevalideerd in onafhankelijke datasets. Voor zover wij weten is ons onderzoek de eerste poging om deep learning te gebruiken voor PDAC-data-integratie.

Om computationele modellering met behulp van kunstmatige intelligentie dichter bij de klinische praktijk te brengen, hebben we bovendien een verzameling machine learning-workflows op het Galaxy-platform gecreëerd waarmee artsen en biologen voorspellende classificaties kunnen opbouwen en inzetten. Omdat het vrij beschikbaar en toegankelijk is, de data-analyse geautomatiseerd is kunnen artsen en onderzoekers verschillende voorspellende taken uitvoeren.

Een andere kunstmatige-intelligentietechniek, transfer learning, werd ook onderzocht om de kennis die wordt gedeeld door bredere kankertypes te gebruiken voor overleving en voorspelling van medicijnreacties. Dit is belangrijk gezien het tekort aan beschikbare gegevens over deze zeldzame vorm van kanker.

Bovendien hebben we bijgedragen aan de ontdekking van biomarkers en aan het begrip van de biologische mechanismen, waaronder het definiëren van markergenen, het identificeren van circulerende prognostische biomarkers, het bestuderen van de tumor immuno micro omgeving van alvleesklier tumoren en het onderzoeken van het FOLFIRINOX-effect op tumormorfologie en ruimtelijke transcriptomics.

Wij zijn ervan overtuigd dat de gegevens, kennis en hulpmiddelen die in dit project werden gegenereerd, waardevolle inzichten en hulpmiddelen bieden voor het voorspellen van de uitkomst van pancreaskankerpatiënten, waardoor artsen bij de besluitvorming over de behandeling de voordelen beter kunnen inschatten dan de risico's.

 

Korte samenvatting van voortgang / resultaten november 2022

De hoge heterogeniteit van alvleesklierkanker heeft geleid tot grote uitdagingen voor de behandeling en prognose van deze ziekte. In deze studie hebben we ons gericht op het optimaliseren van de subtypering
van alvleesklierkanker om het biologische mechanisme te helpen begrijpen en gepersonaliseerde behandeling te verbeteren.

Om dit te bereiken, hebben we een op deep learning gebaseerd raamwerk (MODEL-P) ontwikkeld dat twee subtypen van alvleesklierkanker definieerde met verschillende overlevingsresultaten (respectievelijk mediane overleving 10,1 en 22,7 maanden) die overeenkomen met herstel van DNA-schade en geremde immuunrespons.

We hebben MODEL-P voor prognosevoorspelling rigoureus getest op 5 onafhankelijke externe testsets van 146 patiënten. Patiënten in vijf openbaar beschikbare testsets werden met succes ingedeeld in twee verschillende overlevingsgroepen met een significant overlevingsverschil dat superieur is aan de huidige praktijk en andere subtyperingsschema's.

Wij zijn van mening dat de subtype-specifieke handtekeningen de ontdekking van PDAC-pathogenese zouden vergemakkelijken, en MODEL-P kan clinici de prognose-informatie verschaffen gedurende de besluitvorming over de behandeling om zo de voordelen versus de risico's beter te kunnen inschatten. Dit werk is geaccepteerd om te worden gepubliceerd in iScience.

Verder experimenteren we om moderne AI-strategieën toe te passen, zoals leren via overdracht en leren met meerdere taken, om het probleem van het ontbreken van een grote dataset aan te pakken om een robuust voorspellingsmodel te bouwen. Ondertussen dragen we ook bij aan het biologische begrip van de behandeling van PDAC en de statistische deugdelijkheid van klinische onderzoek ontwerpen.

 

Korte samenvatting van voortgang / resultaten oktober 2021

De hoge heterogeniteit van alvleesklierkanker heeft geleid tot grote uitdagingen voor de behandeling en prognose van deze ziekte. In deze studie hebben we ons gericht op het optimaliseren van de subtypering van alvleesklierkanker om het biologische mechanisme te helpen begrijpen en gepersonaliseerde behandeling te verbeteren.

Om dit te bereiken, hebben we een op deep learning gebaseerd raamwerk (MODEL-P) ontwikkeld dat twee subtypen van alvleesklierkanker definieerde met verschillende overlevingsresultaten (respectievelijk mediane overleving 10,1 en 22,7 maanden) die overeenkomen met herstel van DNA-schade en geremde immuunrespons. We hebben MODEL-P voor prognosevoorspelling rigoureus getest op 5 onafhankelijke externe testsets. Patiënten in vijf openbaar beschikbare testsets werden met succes ingedeeld in twee verschillende overlevingsgroepen met een significant overlevingsverschil dat superieur is aan de huidige praktijk en andere subtyperingsschema's.

Wij zijn van mening dat de subtype-specifieke handtekeningen de ontdekking van
PDAC-pathogenese zouden vergemakkelijken, en MODEL-P kan clinici de prognose-informatie verschaffen gedurende de besluitvorming over de behandeling om zo de voordelen versus de risico's beter te kunnen inschatten. Dit werk is geaccepteerd om te worden gepubliceerd in iScience. Verder hebben we aanzienlijke vooruitgang geboekt op het gebied van egevensverzameling (COMPASS-cohort en iKnowIT-cohort) en methode- ontwikkeling. Ondertussen hebben we het data-analyseplan en de catalogus met ML/DL-toolset voor uitkomstvoorspelling bijgewerkt.