Stephanie Peeters

Maastro

Het onderzoek van Stephanie Peeters houdt in het kort het volgende in:

Artificial intelligence for histopathological classification and recurrence prediction of thymic epithelial tumors (INTHYM project)

(Kunstmatige intelligentie voor histopathologische classificatie en voorspelling recidief van thymus tumoren (INTHYM-project))

Thymomen en thymuscarcinomen zijn zeldzame tumoren die uitgaan van de thymus. De hoeksteen van de behandeling is resectie. Postoperatieve bestraling is aangewezen bij onvolledige resectie, lokaal gevorderde ziekte en/of agressievere subtypes welke bepaald worden door de WHO histopathologische classificatie.

In deze classificatie onderscheiden we thymomen types A, AB, B1, B2, B3, en de thymuscarcinomen. Studies hebben aangetoond dat er grote discordantie kan zijn tussen pathologen in het bepalen van deze classificatie. Bovendien kan het risico op recidief niet altijd accuraat voorspeld worden omwille van verschillende prognostische groepen binnen deze subtypes.

Daarom zullen we AI-modellen ontwikkelen op basis van digitale pathologie en relevante klinische variabelen. Hierdoor zullen we de subtypering verbeteren en de kans op een recidief beter voorspellen.

In dit multicentrisch en internationaal project zullen 3 bestaande databases gebruikt worden uit Rotterdam, Maastricht en Lyon. Hierbij zal telkens 1 database gebruikt worden om de AI-modellen te bouwen, en de 2 andere voor externe validatie.

Uiteindelijk zullen pathologen beter ondersteund worden bij het correct definiëren van de WHO classificatie van thymustumoren en zal door de betere voorspelling van de kans op een recidief de patiënt op een meer gepersonaliseerde basis na de operatie radiotherapie krijgen, dit alles dankzij de AI-modellen.

Korte samenvatting van voortgang / resultaten juni 2024

Het project heeft als doel AI-modellen te ontwikkelen om de nauwkeurigheid van histopathologische diagnoses en voorspellingen van recidieven voor TET-patiënten te verbeteren. We zullen pathologische en klinische gegevens gebruiken van drie centra in Rotterdam, Maastricht en Lyon.

In het eerste jaar organiseerde een promovendus de digitale pathologiedataset van het EMCthymoompanel, die diagnoses met 100% en 70-99% consensus omvat. De kleuring van hele weefselcoupes met hematoxyline en eosine werd gestandaardiseerd, gevolgd door gedetailleerde annotatie van tumorweefsel, bloedingen, fibrose en artefacten. Patches werden geëxtraheerd uit interessegebieden bij verschillende vergrotingen om achtergrond- en niet-tumorweefsel uit te sluiten, wat zorgde voor robuuste data voor modeltraining. De eerste AI-modellen voor de classificatie van thymustumoren werden ontwikkeld met behulp van 100% consensus data. Model 1, dat onderscheid maakt tussen celtypen A, B3, TC versus B1, B2, toonde hoge nauwkeurigheid en betrouwbaarheid. Model 2.1, dat opeenvolgend A, B3 en TC classificeert, werd ook geïnitieerd.

Een klinische database is opgezet en de eerste klinische gegevens worden momenteel ingevoerd.