Lisanne van Dijk

UMC Groningen

Het onderzoek van Lisanne van Dijk houdt in het kort het volgende in:

Deep learning to Enhance Therapeutic Outcomes and toXicity for LUNG cancer patients (DETOX-LUNG)

'Radiotherapie is een belangrijke behandeling voor longkankerpatiënten. Maar deze patiënten krijgen vaak te maken met ernstige toxiciteiten als gevolg van de bestralingsschade. Deze toxiciteiten kunnen niet alleen een grote impact hebben op de kwaliteit van leven van patiënten, maar kunnen ook een negatieve invloed hebben op hun prognose. Adequate voorspelling van de behandelingsuitkomst is nodig om ernstige toxiciteiten en de (gerelateerde) sterfgevallen te voorkomen door gepersonaliseerde behandelingsoptimalisatie.

Dit project heeft tot doel de voorspelling van de uitkomst van longkankerbestraling te verbeteren met kunstmatige intelligentie. Kunstmatige Intelligentie heeft het vermogen om 3D bestralingsdosis, die wordt gegeven aan de patiënt, te gebruiken voor de voorspelling van toxiciteiten. Dit in plaats van de huidige modellen die enkel gebaseerd zijn op een gemiddelde dosis per orgaan. Tegelijkertijd kan deze techniek patiëntgegevens uit medische beelden en klinische data gebruiken voor de voorspelling.' 

Korte samenvatting van voortgang / resultaten maart 2024

Voor het trainen van het Deep Learning-model is een grote hoeveelheid patiëntendata nodig. Het verzamelen en controleren van deze data is essentieel voor alle vervolgstappen van het onderzoeksproject. De afgelopen maanden heeft de controle en verwerking van de data plaatsgevonden met de klinische en toxiciteitsdata vanuit RedCap, en met de DICOM-bestanden die de CT-scan, stralingsdosisverdeling en segmentatiedata van de tumor en kritieke organen bevatten. In totaal is er een dataset verkregen van 1107 patiënten voor het voorspellen van radiatiepneumonitis (WP1) en de algehele overleving (WP2). Momenteel zijn we bezig met het ontwikkelen van de referentie-, radiomics- en deep learning-modellen. De verzameling van de PET-beelden (WP3) is parallel gestart. N.b. we enige vertraging vanwege complicaties in het wervingsproces.