Histologische beelden van tumoren worden routinematig verzameld in klinische labo’s en reflecteren het fysiologische fenotype van de onderliggende cellen en hun genomische aberraties. Deep learning biedt de mogelijkheid om uit deze beelden verborgen morfologische eigenschappen te extraheren die associëren met moleculaire kenmerken. Histologische beelden bevatten dus impliciet waardevolle, maar tot dusver onbenutte informatie over de spatiale organisatie van moleculaire kenmerken. We willen hier deep learning modellen ontwikkelen die beeldinformatie kunnen gebruiken als kost-efficiënte proxy voor het moleculair profileren van tumorstalen.

Als gevalstudie zullen we deep learning modellen trainen die a.h.v. beeldinformatie moleculaire eigenschappen geassocieerd met metastatische prostaatkanker voorspellen. Het combineren van deze modellen met een in-house cohorte die speciaal hiervoor werd gedesigned, zal leiden tot de identificatie van modellen met prognostische waarde.