Stefan Klein

Erasmus MC

Kort samengevat, behelst het onderzoek van Stefan Klein het volgende: 

'Automatic grading and phenotyping of soft-tissue tumors through machine learning to guide personalized cancer treatment

Soft tissue tumors (STT) are a rare and complex group of lesions with a broad range of differentiation. All STT subtypes greatly differ in their clinical behavior, aggressiveness, molecular background, and preferred treatments given. Diagnosis of the correct phenotype, the grade of aggressiveness, and molecular make-up is therefore of utmost importance. Diagnosis of STT is generally supported by imaging, such as computed tomography (CT) and magnetic resonance imaging (MRI). However, visual assessment by a radiologist tends to be subjective and not precise. Quantitative, computational (“radiomics”) imaging features and state-of-the-art Artificial Intelligence (AI) techniques based on machine learning could enable more objective and precise STT diagnosis.

With the support of the Hanarth Foundation, we aim to develop a comprehensive STT diagnostic model, both for phenotyping and grading. This model will be trained and validated in a large, multi-center cohort, and evaluated in a clinical setting. The model will be based on quantitative image analysis by radiomics and deep learning. We hypothesize that, by considering multiple STT phenotypes at once instead of training a specialized model for each subtype, breakthroughs will be achieved with regard to the diagnostic performance of the AI model and its generalizability. Our AI model will guide diagnosis and treatment decisions, thereby facilitating personalized medicine.'

Korte samenvatting van voortgang / resultaten februari 2024

Dit jaar markeerde een significante vooruitgang in ons onderzoek, omdat we succesvol een AI-methode hebben gevalideerd die gebruikmaakt van kwantitatieve beeldvormingskenmerken (radiomics) om verschillende soorten vetachtige tumoren te onderscheiden. We hebben deze methode getest op 444 patiënten uit ziekenhuizen in de Verenigde Staten, het Verenigd Koninkrijk en Nederland, en het werkte zeer goed. Bovendien hebben we onze bevindingen versterkt door eerder ontwikkelde automatische en interactieve segmentatiemethoden te integreren. Dit betekent dat het niet alleen nauwkeurig is, maar ook praktisch voor klinische toepassingen in de echte wereld, wat een belangrijke stap is richting klinische toepassing van ons niet-invasieve beslissingsmodel voor patiënten met vetachtige tumoren.

Verder hebben we de bredere bruikbaarheid van onze segmentatiemethoden onderzocht in verschillende andere toepassingen. Ten eerste hebben we onze segmentatiemethode in combinatie met radiomics- modellen gebruikt om onderscheid te maken tussen kwaadaardige perifere zenuwschedetumoren (MPNST) en niet-MPNST-aandoeningen (ziekten in differentiële diagnose). Ten tweede hebben we deze methoden gebruikt om nauwkeurig het totale tumor volume te berekenen om de effectiviteit van de behandeling bij patiënten met hooggradige sarcomen te monitoren. Daarnaast hebben we de veelzijdigheid van onze aanpak aangetoond door moeiteloos andere tumortypen te segmenteren, waarbij de noodzaak voor her configuratie of opnieuw trainen van de methode is geëlimineerd.

Gelijktijdig heeft ons team twee nieuwe PhD-kandidaten verwelkomd, Xinyi Wan en Matthew Marzetti, waardoor onze inspanningen op het gebied van sarcoom-AI-onderzoek zijn versterkt. Samen zijn we begonnen met een systematische beoordeling van bestaande AI-methodologieën voor sarcomen, waarbij we ze benchmarken tegen de best practices en hun klinische toepasbaarheid evalueren. Ons doel is ervoor te zorgen dat deze methoden voldoen aan de hoogste normen voordat ze worden geïntegreerd in de klinische praktijk, terwijl we tegelijkertijd potentiële gebieden voor verdere focus en verbetering identificeren.

Korte samenvatting van voortgang / resultaten maart 2023

In voorgaand onderzoek hebben we met behulp van artificiële intelligence (AI) methodes ontwikkeld die op basis van kwantitatieve beeldvorming (radiomics) kunnen voorspellen wat voor wekedelentumor de patiënt heeft. Echter is voor deze AI methodes een intekening van de tumor in 3D nodig, beter bekend als segmentatie. Deze segmentatie moet momenteel door de arts worden gemaakt, waardoor deze methodes niet praktisch zijn voor gebruik in de kliniek. Om die reden hebben we ons gefocust op het ontwikkelen van een interactieve segmentatie methode, waarbij de arts enkel een aantal punten in de tumor zet, waardoor dit proces versneld wordt. Momenteel kunnen we voor alle types wekedelentumoren met deze methode accurate segmentaties maken. Wij zijn deze methode en voorgaande radiomics methodes momenteel aan het valideren in verschillende studies, met als doel om accurate diagnose van wekedelentumoren op basis van radiologische beeldvorming in de kliniek te introduceren.

Korte samenvatting van voortgang / resultaten maart 2022

In dit project willen we met behulp van artificiële intelligentie (AI) een model ontwikkelen dat de diagnose van tumoren in weke delen ondersteunt, door het fenotype en de graad van de tumor te voorspellen op basis van MRI- en/of CT-beeldvorming. In het eerste jaar van dit project hebben we ons gericht op:

1. de ontwikkeling van een roadmap met klinisch relevante vraagstukken die met AI kunnen worden aangepakt;
2. dataverzameling;
3. de ontwikkeling van geautomatiseerde methoden voor tumorsegmentatie.

Wat het laatste punt betreft is segmentatie een vereiste voor veel vervolganalyses door AI methodes. Echter is handmatige segmentatie een tijdrovend proces. We hebben daarom het gebruik onderzocht van minimaal interactieve segmentatiemethoden, waarbij de arts slechts een paar punten in de tumor hoeft te annoteren, evenals een self-supervised learning methode. Hierbij wordt de training van het segmentatiemodel geïnitialiseerd door een model getraind voor het oplossen van een andere taak waarvoor meer data beschikbaar zijn.