Kenneth Gilhuijs

UMC Utrecht

Het onderzoek van Kenneth Gilhuijs houdt in het kort het volgende in:

Prediction of Vertebral Collapse using Artificial Intelligence in Multiple Myeloma patients (PreVeCAIMM)

' Multipel myeloom (MM) is een zeldzame hematologische maligniteit met een voor leeftijd gecorrigeerde incidentie van zes per 100.000 per jaar in Europa en de VS. De meest gevreesde manifestatie - naast bloedarmoede, nierdisfunctie en hypercalciëmie - is uitgebreide skeletschade: er ontstaan gaten in het skelet (osteolytische laesies) en botontkalking leidt tot wervelinzakkingen.

Er zijn momenteel geen methoden beschikbaar om met voldoende hoge specificiteit te voorspellen bij welke wervelniveaus dergelijke inzakkingen zullen optreden in individuele patiënten. Als dergelijke methoden beschikbaar zijn, kunnen ze gebruikt worden voor triage van patiënten naar preventieve interventies bij de vroegste tekenen van spinale verzwakking, bij voorkeur voordat wervelinzakkingen optreden.

Het doel van dit project is om patiënt-specifieke en wervel-specifieke voorspellingen te doen van dreigende en klinisch relevante wervelinzakkingen. Voor dit doel gebruiken wij kunstmatige intelligentie om baseline- en follow-up CT-scans en clinicopathologische kenmerken te integreren. We verwachten dat dit het risico op (verdere) wervelinzakking zal verkleinen, waardoor de kwaliteit van leven en overleving van MM-patiënten zal verbeteren.

PreVeCAIMM is een samenwerking tussen het Image Sciences Institute en de afdelingen Hematologie, Radiologie en Orthopedische Chirurgie van het Universitair Medisch Centrum Utrecht.' 

Korte samenvatting van voortgang / resultaten juli 2024

Deep learning werd gebruikt om automatische identificatie en segmentatie van wervels uit te voeren op CTscans van patiënten met multipel myeloom. De resultaten van een state-of-the-art methode bevatten inconsistenties die niet acceptabel zijn in klinische setting en leiden tot problemen bij het volgen van de wervels in longitudinale scans. Om dit probleem te verhelpen, werd een module ontwikkeld die automatisch zeer onzekere gebieden detecteert op basis van anatomische voorkennis van de wervelkolom. De module corrigeerde automatisch de meeste fouten die een onzekerheidsscore hadden van 100%. Andere onzekere gebieden werden gemarkeerd voor menselijke inspectie. Deze gebieden werden vervolgens semiautomatisch gecorrigeerd met minimale menselijke tussenkomst. Deze 'human-in-the-loop'-benadering van wervelsegmentatie verbeterde de segmentatieresultaten en het longitudinale volgen van de wervels aanzienlijk, terwijl de werklast om deze segmentaties te corrigeren werd geminimaliseerd.

Radiomics werd vervolgens gebruikt om eerste-orde, 3D-vorm- en textuurkenmerken te extraheren uit de gesegmenteerde wervels van patiënten met multipel myeloom, met als doel veranderingen in de loop van de tijd te analyseren. Als aanvulling op de radiomics werd bovendien differentiële geometrie gebruikt om de vervorming van wervels in de loop van de tijd te kwantificeren.

Korte samenvatting van voortgang / resultaten juli 2023

In het eerste projectjaar is een database samengesteld van alle patiënten met multipel myeloom uit het UMC Utrecht in de periode tussen 2005 en 2022. De eerste CT-scans werden gemaakt bij de diagnose en verdere vervolgscans wanneer de symptomen verergerden. In totaal zijn er 1740 scans verkregen van 528 patiënten. Het aantal scans per patiënt variëert van 1 tot 29 over de tijd. 

De longitudinale CT-scans van het hele lichaam zijn groot en bevatten veel informatie. Om de informatie te isoleren om voorspellingen uit te voeren, is een vertebrale tracking en segmentatiemodule ontwikkeld dat gebruik maakt van convolutionele neurale netwerken. De vertebrale tracking module vindt automatisch de middelpunten van de wervels en de bijbehorende labels. Dit stelt ons in staat om het ziekteverloop in elke wervel over de tijd te volgen. Een segmentatiemodule is vervolgens ontwikkeld die elke voxel in individuele wervels identificeert. Dit zal worden gebruikt om botdichtheid, vorm en lytische botlaesies vast te stellen. Deze factoren zijn voorspellers voor wervelcompressiefracturen. De vertebrale tracking- en segmentatiemodule is getraind en gevalideerd op de open-source database VerSe. Tests op de PreVeCAIMM-database laten veelbelovende resultaten zien met betrekking tot de generaliseerbaarheid van deze module.