Baris Karakullukcu

NKI

Het onderzoek van Baris Karakullukcu houdt in het kort het volgende in:

Utilizing artificial intelligence to segment echo images of tongue cancer intraoperatively, to facilitate radical resection

Plaveiselcelcarcinoom (PCC) van de tong is een zeldzame tumor van de mondholte. De standaardbehandeling bestaat uit chirurgie gericht op het verwijderen van de tumor met een minimale marge van 5 mm gezond weefsel. Echter, door onvoldoende intraoperatieve feedback over de tumorgrenzen, wordt deze marge bij tot 85% van de patiënten niet bereikt. PCC van de tong kan effectief worden onderscheiden van normaal weefsel in echobeelden (US), wat het mogelijk maakt om voorspellingen te doen over de invasiediepte en de resectiemarges. Desondanks is de interpretatie van deze echobeelden sterk subjectief en afhankelijk van de expertise van de beoordelende arts.

Om deze variabiliteit aan te pakken, is ons doel om de echobeoordeling te standaardiseren door middel van kunstmatige intelligentie (AI)-modellen en geavanceerde beeldverwerkingstechnieken. Deze benadering kan tumorsegmentatie in echobeelden automatiseren, waardoor meer accurate en consistente intraoperatieve informatie wordt verkregen.

Het primaire doel is het trainen en valideren van AI-modellen, door ontwikkelen van een nieuwe tumorheropbouwalgoritme op basis van Simultaneous Localization and Mapping (SLAM) voor de automatische segmentatie van PCC en normaal weefsel. We hebben een echografisch systeem ontwikkeld dat in staat is om het gehele resectie-specimen in beeld te brengen en een 3D-volume te construeren vanuit 2D-gestapelde beelden. De specimens worden in de pathologieafdeling gesneden langs dezelfde as als de echobeelden en gekleurd. Histopathologische preparaten worden vervolgens geëvalueerd, waarbij tumoren worden gemarkeerd en geregistreerd op de echobeelden om de 'ground truth' gegevens te genereren. Bestaande data zijn al op deze gestandaardiseerde manier verzameld, en nieuwe data zullen de komende drie jaar worden verzameld. Zeventig procent van de verzamelde gegevens zal worden gebruikt om de AI-modellen te trainen, terwijl 30% als validatieset zal dienen. We hypotheseren dat het AI-model in staat is om tumor- en normaal weefsel te segmenteren met een Dice Similarity Score (DSS) van 90 in vergelijking met histopathologische preparaten. 

In de toekomst zou het ontwikkelde model onmiddellijke feedback kunnen geven aan chirurgen in de operatiekamer, wat de adequaatheid van de tumorresectie zou verbeteren.