Britt Suelmann

UMC Utrecht

Het onderzoek van Britt Suelmann houdt in het kort het volgende in:

Artificial-intelligence based prediction of absence of vital retroperitoneal residual disease and teratoma in metastatic germ cell tumors after platinum-based chemotherapy

Testiculaire kiemceltumoren (TGCT’s) zijn een zeldzame vorm van kanker die ongeveer 1% van alle kankergevallen bij mannen uitmaakt, met de hoogste incidentie tussen de 15 en 40 jaar. In Nederland worden jaarlijks 500-900 mannen gediagnosticeerd, waarvan één derde bij de diagnose al metastasen heeft. Dankzij cisplatine-gebaseerde chemotherapie is de overlevingskans voor metastatische TGCT’s sterk verbeterd, met meer dan 90% van de patiënten die een complete respons behalen. Echter, bij 33% blijven residuele retroperitoneale massa’s achter na chemotherapie, waarvan ongeveer 45% bestaat uit teratoom, 45% uit necrose of fibrose, en 10% uit vitale tumorcellen.

Op dit moment ondergaan alle patiënten met residuele retroperitoneale massa’s chirurgie om deze te verwijderen, ongeacht de aard van de massa. Dit is nodig omdat het onderscheid tussen goedaardige (necrose/fibrose) en kwaadaardige (teratoom/tumorcellen) massa’s alleen pathologisch kan worden vastgesteld na verwijdering. Dit leidt ertoe dat 50% van de patiënten een ingrijpende operatie ondergaat voor goedaardige massa’s die geen behandeling nodig hebben. Deze operaties zijn complex, riskant en kunnen zowel op korte als lange termijn complicaties veroorzaken.

De huidige beeldvormende technieken zoals CT- en MRI-scans zijn niet nauwkeurig genoeg om necrose of fibrose te onderscheiden van teratoom of tumorcellen. Ook voorspellers zoals tumormerkers, histopathologie van de primaire tumor, en veranderingen in massaomvang tijdens chemotherapie bieden onvoldoende betrouwbaarheid. Dit maakt de ontwikkeling van een preciezer hulpmiddel cruciaal om onnodige operaties te voorkomen.

Het doel van dit onderzoek is een AI-model te ontwikkelen dat op basis van contrastrijke CT-scans en klinische gegevens de afwezigheid van vitale tumorcellen of teratoom kan voorspellen. Dit model zou patiënten met goedaardige massa’s kunnen identificeren, waardoor zij een operatie kunnen vermijden. Twee benaderingen worden onderzocht: diepe radiomics, waarbij neurale netwerken CT-kenmerken analyseren en combineren met klinische data, en zwak begeleid leren, waarbij neurale netwerken direct restziekte voorspellen en hun resultaten verklaren via Shapley-analyses.

Het onderzoek maakt gebruik van gegevens van 500 patiënten uit twee Nederlandse centra, verzameld tussen 2011 en 2023. Naast pre- en post-chemotherapie CT-scans omvat dit cohort informatie over tumormerkers, chemotherapieregimes, pathologierapporten en operatieresultaten. De AI-modellen zullen worden geëvalueerd met behulp van nested cross-validatie en ROC-analyses, gericht op het minimaliseren van fout-negatieven en het inschatten van het aantal vermeden operaties.

De verwachte impact van dit AI-model is groot. Het kan onnodige operaties en de bijbehorende complicaties verminderen, patiënten fysiek en emotioneel ontlasten, en tegelijkertijd zorgkosten verlagen. Bovendien kan de technologie potentieel worden uitgebreid naar andere kankersoorten waar restziekte na therapie een uitdaging vormt.

Deze innovatie biedt niet alleen voordelen voor de behandeling van testiculaire kanker, maar ook voor bredere toepassingen in oncologie. Door patiënten met een laag risico op schadelijke restziekte nauwkeurig te identificeren, kan de standaardzorg worden verbeterd en kunnen resources efficiënter worden ingezet. Het uiteindelijke doel is betere gezondheidsuitkomsten en een hogere kwaliteit van leven voor patiënten met gemetastaseerd zaadbalkanker.