Arjen Cleven

UMC Groningen

Het onderzoek van Arjen Cleven houdt in het kort het volgende in:

Classification of craniofacial bone tumors using deep learning algorithms

Fibro-osseuze tumoren in het craniofaciale skelet bestaan uit een heterogene groep tumoren die verschillen in biologisch gedrag variërend van spontane regressie bijbijvoorbeeld een cemento-osseuze dysplasie, lokaal agressieve groei bij een ossificerend fibroom of metastasen bij bijvoorbeeld een osteosarcoom. Daarom is een definitieve diagnose van belang voor de juiste keuze in behandeling.

In het diagnostisch proces van bottumoren in het algemeen is de correlatie tussen radiologie en morfologie cruciaal om tot de juiste differentiaal diagnose te komen. Uit de dagelijkse praktijk blijkt dat de radiologische presentatie en het morfologisch beeld onder de microscoop vaak overlappen tussen verschillende craniofaciale fibro-osseuze bottumoren. Tevens zijn er maar weinig extra diagnostische tools zoals immuunhistochemie of genetica die behulpzaam zijn om richting te geven in de bestaande differentiaal diagnose. Het resultaat hiervan is dat er in een significant aandeel van patiënten met een craniofaciale bottumor geen definitieve diagnose gesteld kan worden. 

Ons onderzoeksdoel is om met behulp van een innovatieve methode, namelijk deep learning models, de classificatie van craniofaciale buttumoren te verbeteren in een multi-disciplinaire setting om zo het aantal patiënten met een onzekere diagnose en dus behandeling te verminderen. Het model maakt gebruik van geavanceerde histopathologische modellen om morfologische kenmerken in histologische beelden te herkennen. Deze kenmerken worden vervolgens gecombineerd, waarbij elk deel van het beeld een relevantiescore krijgt toegewezen. Deze methode maakt niet alleen een nauwkeurigere classificatie van tumoren mogelijk, maar identificeert ook specifiek de regio’s in het histologische beeld die het meest bepalend zijn voor de uiteindelijke classificatie. 

Onze studie is een internationale en multicenter samenwerkingsverband waarbij we de beschikking hebben over een cohort aan craniofaciale bottumoren met uitgebreide klinische, morfologische en genetische data voor de ontwikkeling van ons deep learning classificatie model. Dit innovatieve classificatie model zal gevalideerd worden op craniofaciale bottumoren uit de ‘Doesak registry’ in het Universitair Medisch Centrum te Basel Zwitserland en de Nederlandse Beentumoren Commissie.

Onze verwachting is dat de implementatie van deep learning models voor de classificatie van craniofaciale bottumoren van significante waarde gaat zijn in een multidiscipliaire setting, metname voor de zeldzame osteosarcomen in het craniofaciale skelet.