Simona Turco

Eindhoven University of Technology

Kort samengevat, behelst het fellowship van Simona Turco het volgende:

'Integrating genomics and imaging for improved prostate cancer care

One in seven men is diagnosed with prostate cancer in his lifetime, but only a fraction of these tumors is aggressive and require prompt intervention. Timely and accurate diagnosis is crucial for effective treatment of aggressive prostate cancer and monitoring of low-risk prostate cancer, but this is hampered by the inadequacy of the available diagnostics based on invasive systematic biopsies. With the Hanarth fonds fellowship, Simona Turco will implement a machine learning framework integrating advanced imaging and cancer genomics to achieve non-invasive, accurate diagnosis and prognosis of prostate cancer, and ultimately improve patient outcome by personalized treatment.'

Korte samenvatting van eindrapportage

Hoewel multiparametrische MRI (mpMRI) momenteel de aanbevolen beeldvorming is modaliteit voor de detectie van prostaatkanker is, is het nog steeds niet nauwkeurig genoeg om te vervangen herhaalde systematische biopsieën. In deze fellowship wil ik de kracht van kunstmatige intelligentie om de diagnose en het beheer van prostaatkanker te verbeteren. sinds de prostaatweefsel vertoont verschillende kenmerken in verschillende gebieden (prostaatzones), het zou nuttig zijn om de prostaatzones in de mpMRI te segmenteren. Dit is echter tijd tijdrovend en vereist handmatige input van ervaren radiologen. Om dit te automatiseren arbeidsintensief proces, hebben we een neuraal netwerk ontwikkeld voor zonale prostaat segmentatie, met een pixelgewijze nauwkeurigheid tot 98%. Tegelijkertijd zijn we ook: verschillende methoden onderzoeken om kwantitatieve beeldvormingsfuncties te extraheren door te analyseren ruimtelijke en temporele kenmerken van de mpMRI-sequenties. Deze combineren functies via machine learning, hebben we een nauwkeurigheid bereikt voor prostaatkanker lokalisatie van 86%. Momenteel werken we aan het analyseren van de genomische make-up van prostaattumoren en het onderzoeken van hun correlatie met de geëxtraheerde beeldvorming kenmerken. Het einddoel is om in-vivo, niet-invasieve tumorprofilering te bereiken door middel van beeldvorming alleen, waardoor de noodzaak van invasieve biopsieën wordt geëlimineerd.