Ignace de Hingh

Maastricht University

Het onderzoek van Ignace de Hingh houdt in het kort het volgende in:

Artificial Intelligence models to improve assessment of peritoneal metastases on imaging

Peritoneale metastasen (PM) komen voornamelijk voor bij patiënten met maag-, colorectale en ovariumkanker. Het bepalen van de uitgebreidheid van PM is van cruciaal belang voor het selecteren van de juiste behandeloptie en het evalueren van de behandelrespons. 

Op dit moment is de gouden standaard voor het detecteren en kwantificeren van PM diagnostische laparoscopie (DLS), waarbij de uitgebreidheid van PM wordt beoordeeld met behulp van het gevalideerde Peritoneal Cancer Index (PCI)-scoresysteem van Sugarbaker. Voor de berekening van de PCI wordt de buikholte opgedeeld in 13 regio’s, die elk een score tussen 0 en 3 krijgen op basis van de grootte van de grootste peritoneale metastase in die regio. De uiteindelijke PCI-score, variërend van 0 tot 39, dient als een goede prognostische indicator, is geïntegreerd in de dagelijkse praktijk en wordt gebruikt als grenswaarde voor het bepalen van de juiste behandeloptie, ook binnen klinische studies.

Dit project heeft als doel een non-invasieve methode te ontwikkelen om de uitgebreidheid van PM te beoordelen met behulp van Artificial Intelligence (AI). Hiermee willen we de radiologische beoordeling van PM naar het niveau van expert-radiologen brengen. Momenteel krijgen patiënten beeldvorming, voornamelijk CT-scans, voor initiële stadiëring en evaluatie van de behandelrespons. Het beoordelen van PM op basis van beeldvorming is echter uitdagend en vereist specifieke expertise. Het toepassen van het PCI-scoresysteem op beeldvorming kan chirurgen en oncologen voorzien van een objectieve en interpreteerbare maat voor de uitgebreidheid van PM.

Om de radiologische beoordeling van PM op beeldvorming te verbeteren gaan we twee modellen ontwikkelen: een AI-model dat de 13 regio’s van de PCI op scans definieert, en een AI-model dat PM-noduli detecteert en segmenteert op scans. Met behulp van deze AI-modellen willen we een gestandaardiseerde en gestructureerde beoordeling van PM op beeldvorming mogelijk maken, de interobservervariabiliteit tussen radiologen verminderen, en de detectie van PM op beeldvorming verbeteren.