Cancer Diagnostics 3.0: Big Data Science of in & ex vivo Imaging

Verschillende patiënten met hetzelfde type kanker kunnen heel anders reageren op een behandeling. Als gevolg hiervan verschillen de resultaten sterk tussen patiënten. De vele klinische, pathologische en genetische factoren maken diagnose en het kiezen van de juiste behandeling voor een individuele patiënt steeds complexer.

In Medical Delta Cancer Diagnostics 3.0 worden de nieuwste beeldvormingstechnieken gebruikt in combinatie met machine learning om een diagnose sneller te stellen en om het verloop van de ziekte beter te voorspellen.

Niet-invasieve methoden

Om de genetische en moleculaire kenmerken van een tumor te verkrijgen wordt er een biopt genomen. Dit is een invasieve methode die soms riskant kan zijn. Onderzoekers van het Medical Delta Cancer Diagnostics 3.0-programma stellen dat het analyseren van tumoren kan verbeteren door gebruik te maken van MRI beelden en daar meer informatie uit te halen.

Geavanceerde MRI-technieken

Binnen dit programma, dat zich aanvankelijk richt op hersentumoren, zullen geavanceerde MRI-technieken worden gebruikt om relevante informatie over de tumor te verzamelen. De onderzoekers doen dit met behulp van standaard MRI-scans en nieuwe MRI technieken. "We gebruiken bijvoorbeeld een 7 Tesla MRI. Die heeft een hoger magnetisch veld en creëert beelden met een betere resolutie. Dat levert uiteindelijk meer informatie op", zegt Thijs van Osch, hoogleraar radiologie aan het LUMC.

Informatie van het biopt wordt vergeleken met de informatie van de MRI-scan. Het doel is om uit de MRI-gegevens genetische en moleculaire kenmerken van de tumor af te leiden, zodat een ‘virtuele biopt’ gemaakt kan worden.

Machine learning

Naast het verkrijgen van betere MRI-beelden, maakt dit Medical Delta-onderzoeksprogramma gebruik van machine learning om alle informatie te ontsluiten die verborgen is in de verschillende MRI-beelden. Uiteindelijk wordt verwacht dat dit bijdraagt aan een nog betere behandelingskeuze voor de individuele patiënt. Ook zal het mogelijk zijn om de tumor te monitoren tijdens de duur van de behandeling.  

"Het zou van enorme toegevoegde waarde zijn als we op basis van al die MRI-karakteristieken beter kunnen voorspellen hoe de tumor zal evolueren en wat dat in de toekomst betekent voor de patiënt", zegt Johan Koekkoek, neuro-oncoloog in het LUMC en MC Haaglanden.

Voor artsen is het zeer nuttig om begeleiding te krijgen bij het maken van de juiste diagnose en het selecteren van de beste behandeling. "Momenteel is de diagnose gebaseerd op een visuele beoordeling van de MRI-scan door een radioloog ", zegt Marion Smits, hoogleraar Neuroradiologie aan het Erasmus MC. "Machine learning technieken helpen ons om veel meer informatie van de MRI-scan in onze beoordeling op te nemen, en om zo dergelijke diagnoses objectiever te maken."

De machine learning opties worden zo ontwikkeld dat ze ook bruikbaar zijn op het gebied van digitale pathologie van bioptmateriaal. Sjoerd Stallinga, hoogleraar Computational Imaging aan de TU Delft: "Analyse en classificatie van weefselmorfologie is een zeer geschikte taak voor moderne deep learning methoden."

Samenwerking

De nauwe samenwerking tussen het Erasmus MC, de TU Delft en het LUMC met MRI-experts, wetenschappers, ingenieurs en clinici is een belangrijke succesfactor voor het realiseren van de ambitie om een ​​bioptvrije beeldvormende diagnose van kanker mogelijk te maken. De nieuwe methoden om een gepersonaliseerde behandelingskeuze te maken en een ziekte te monitoren kunnen ook gebruikt worden in soortgelijke Medical Delta-innovaties voor de behandeling van andere kankersoorten.

scientific leaders

Prof. dr. ir. Matthias van Osch

Radiology

LUMC


Prof. dr. Marion Smits

Radiology and Nuclear Medicine

Erasmus MC


Prof. dr. Sjoerd Stallinga

Imaging Physics

TU Delft

Contactpersoon

Erik van Oorschot Innovation Manager

erik.vanoorschot@medicaldelta.nl

+316 37445813

Cookie melding

Deze website maakt gebruik van cookies. Cookies zijn tekstbestanden die op de computer worden geplaatst wanneer websites worden bezocht. Ze worden veel gebruikt om websites efficiënt te laten werken en om informatie te verstrekken aan de eigenaren van de website. Hieronder kan aangegeven worden of u de cookies accepteert.