Bart de Keizer

UMC Utrecht

Het onderzoek van Bart de Keizer houdt in het kort het volgende in:

Artificial intelligence-based phenotyping of metastatic renal cell carcinoma to better understand (pseudo)progression under immune checkpoint inhibition

(Artificiële intelligentie gebaseerde fenotypering van uitgezaaid niercelcarcinoom voor het beter vaststellen van (pseudo) progressie tijdens immuuntherapie met checkpointremmers.)

Dit project heeft tot doel te bepalen of er verschillen zijn in de manier waarop gemetastaseerd niercelcarcinoom (nierkanker die is uitgezaaid naar lymfeklieren en/of andere organen) zich manifesteert op PET/CT-beeldvorming tussen patiënten waarin de kanker echt is gegroeid en gevallen waarin het lijkt te zijn gegroeid, maar in werkelijkheid reageert op de behandeling (pseudo-progressie genoemd). Als dergelijke verschillen bestaan, kan het in de toekomst mogelijk zijn om eerder bij patienten die niet reageren op de behandeling over te schakelen van het ene type behandeling (immuun checkpointremmers genoemd) naar een ander type (targeted therapie genoemd), om verdere verspreiding van de kanker te vertragen en tegelijkertijd onnodige bijwerkingen te verminderen.

Behandeling met immuun checkpointremmers wordt nu vaak voortgezet, wanneer de kanker lijkt te groeien omdat dit mogelijk het gevolg van pseudoprogressie is, ondanks dat deze behandelingen bij sommige patiënten ernstige bijwerkingen veroorzaken. Als er een manier kan worden gevonden om onderscheid te maken tussen echte progressie en pseudoprogressie met behulp van beeldvorming, kan dit artsen helpen eerder te beslissen of ze doorgaan met immuun checkpointremmers of overschakelen naar targeted therapie, waardoor de tijd dat de kanker verder groeit wordt verkort en de bijwerkingen worden verminderd.

Momenteel wordt het onderscheid tussen echte progressie en pseudo-progressie gemaakt op grond van de immuunresponsevaluatiecriteria in solide tumoren (iRECIST), waarbij meerdere scans gedurende een bepaalde periode worden gemaakt om te zien of de kanker reageert op de behandeling. Dit proces kan echter enkele weken of zelfs jaren duren.

Om sneller en objectiever kenmerken van respons op de behandeling te vinden, zullen we machine learning (deep learning en radiomics) gebruiken, gecombineerd met Explainable Artificial Intelligence. Het project is een samenwerking tussen afdelingen Radiologie, het Image Sciences Institute en Medische oncologie van het UMC Utrecht. Daarnaast doen ook drie andere universitair medisch centra mee.

Short summary of progress/results 2024

In het eerste jaar van deze studie werd een database geconstrueerd voor de TRIPP studie, waarbij patiënten zijn geïncludeerd met gemetastaseerde niercelcarcinoom in UMC Utrecht die checkpointinhibitoren ontvingen tussen 2019-2023. Voor elke patiënt zijn scans opgenomen, samen met de nodige klinische informatie. Momenteel zijn 59 patiënten geïncludeerd met 177 scans.

Aangezien dit een multi-center studie betreft, zijn meerdere overeenkomsten en vrijstellingen opgesteld en ontvangen om gegevens op een veilige manier over te dragen. Tot nu toe hebben vier medische centra ingestemd om deel te nemen aan onze studie en we verwachten data te verzamelen in de komende maanden. Daarnaast zijn meerdere (academische) medische centra ook benaderd om bij te dragen.

Het eerste deel van dit project richt zich op het automatisch monitoren van response. De eerste stap in dit proces is de segmentatie van de lesies in de beelden. Hiervoor is een state-of-the-art convolutioneel neuraal netwerk getraind.