Project

Ontwikkeling en validatie van een CT scan-gebaseerd machine learning algoritme voor de predictie van een negatief-snijvlak (R0) bij resectie van pancreaskop adenocarcinoom

Code
1260123N
Looptijd
01-11-2022 → 31-10-2025
Financiering
Fonds voor Wetenschappelijk Onderzoek - Vlaanderen (FWO)
Mandaathouder
Onderzoeksdisciplines
  • Medical and health sciences
    • Computational biomodelling and machine learning
    • Data visualisation and high-throughput image analysis
    • Development of bioinformatics software, tools and databases
    • Abdominal surgery
    • Oncological surgery
Trefwoorden
Op machine learning gebaseerd voorspellend model
 
Projectomschrijving

Het pancreas ductaal adenocarcinoom heeft het hoogste sterftecijfer van alle belangrijke kankers met een vijfjarig relatief overlevingspercentage van 9%. Ondanks de vooruitgang in preoperatieve beeldvorming en neoadjuvante behandeling de incidentie van R1 resectie na de Whipple procedure is maar liefst 30-40% en onvolledige resectie is geassocieerd met een slechte overleving. De huidige standaardprocedure is het gebruik van een preoperatieve CT scan om de resectabiliteit te beoordelen, maar de gevoeligheid en specificiteit voor het opsporen van vasculaire betrokkenheid zijn laag. Er is dus een grote behoefte aan een nauwkeuriger preoperatieve diagnostiek modaliteit. Artificiële intelligentie, in het bijzonder machine learning (ML) en computervisie is een potentiële oplossing. Deze technologieën bieden ons de mogelijkheid om beeldvorming te classificeren op basis van patronen die niet door het menselijk oog worden waargenomen en hebben aangetoond beter te presteren dan experts bij het diagnosticeren van meerdere kankers, waaronder borst-, hersen- en huidkanker. Dit project beoogt het ontwikkelen en valideren van een algoritme dat de preoperatieve voorspelling van de snijvlak status verbetert met een nauwkeurigheid van >80% bij patiënten met resectabele of borderline resectabele pancreaskop kanker, ongeacht neoadjuvante chemotherapie. Met behulp van dit model kunnen clinici effectiever patiënten identificeren met een hoge waarschijnlijkheid van R1 resectie.