Het verbeteren van de tumor respons evaluatie bij darmkanker patiënten met uitzaaiingen in de lever met behulp van kunstmatige intelligentie

Achtergrond en relevantie
Darmkanker is wereldwijd de op één na meest voorkomende de vorm van sterfte bij kanker. Ongeveer 50% van de patiënten met darmkanker ontwikkelt uitzaaiingen naar de lever, ook wel colorectale levermetastasen (CRLM) genoemd. Voor patiënten met CRLM is lokale behandeling, zoals een operatie de enige behandeling die kans biedt op genezing. Helaas komt op het moment van diagnose maar 20% van deze patiënten in aanmerking voor een lokale behandeling. Toch kunnen patiënten met in eerste instantie inoperabele CRLM later wel operabel worden als de uitzaaiingen voldoende verkleinen door behandeling met systemische inductietherapie. De effecten van diverse systemische therapieën verschillen echter tussen patiënten en het is moeilijk om op voorhand te voorspellen of een behandeling effectief zal zijn op basis van patiënt- en tumorkarakteristieken. Daarbij zijn de huidige behandelingen niet zonder risico en kunnen patiënten ernstige bijwerkingen ervaren. Selectie van specifieke behandelingen voor de individuele patiënt is daarom van groot belang en het is cruciaal dat het bepalen van effectiviteit van een systemische behandeling zo nauwkeurig mogelijk wordt uitgevoerd. Deze evaluatie wordt ook wel de tumorrespons evaluatie genoemd en wordt met beeldvormend onderzoek (CT) uitgevoerd volgens de Response Evaluation Criteria in Solid Tumors (RECIST1.1). Met deze criteria wordt de tumorrespons bepaald door het verschil in diameter voor en na systematische therapie van de grootste twee CRLM te meten. Aan de hand hiervan wordt gekeken of de therapie aanslaat en of de gekozen behandeling juist was. Deze beoordeling wordt nu nog handmatig uitgevoerd door radiologen en is niet alleen arbeidsintensief, maar ook subjectief. Deze subjectiviteit kan leiden tot variatie tussen de beoordelingen van verschillende radiologen wat kan resulteren in een verkeerde respons-classificatie van patiënten. Bovendien wordt in de huidige RECIST1.1-richtlijn waardevolle andere informatie zoals verandering van totaal tumor volume (TTV) niet in de beoordeling meegenomen.

Doel
Het doel van dit onderzoeksproject is om de tumorrespons evaluatie van CRLM te optimaliseren en de selectie van deze patiënten te verbeteren met behulp van kunstmatige intelligentie (artificial intelligence, AI). Dit willen we doen door geavanceerde analyses en AI toe te passen op CT-scans en patiëntengegevens. Ons primaire doel is het automatiseren van de tumorrespons evaluatie volgens RECIST1.1. Daarnaast kan er met de hulp van AI veel meer informatie geautomatiseerd uit CT-scans worden gehaald, zoals verandering in TTV en morfologische veranderingen in de tumor. Deze veranderingen willen wij meenemen in de tumorrespons evaluatie. Daarnaast willen wij beeldkenmerken uit CT-scans gebruiken om geavanceerde modellen te ontwikkelen en onderzoeken of deze een relatie hebben met tumorkenmerken, zoals genetische mutaties of histopathologische respons. Uiteindelijk willen wij modellen ontwikkelen waarin beeldkenmerken, genetische data en klinische data wordt gecombineerd om zo per patiënt te voorspellen wat de meest effectieve behandeling zal zijn en de te verwachten levenswinst.

KWF missie
Dit project zal bijdragen aan de KWF missie door de behandeling van kanker en de kwaliteit van leven te verbeteren. Momenteel is het een grote uitdaging om bij darmkanker patiënten met CRLM de juiste behandelstrategie te selecteren die optimaal zal zijn voor de individuele patiënt. Door tumorrespons evaluatie te automatiseren zullen er consistentere beoordelingen worden uitgevoerd en zal het effect van de therapie eerder en beter kunnen worden vastgesteld. Zo zullen geavanceerde voorspellende modellen vroege identificatie van patiënten die goed op de behandeling gaan reageren mogelijk maken. Deze optimalisatie zal leiden tot een verbeterde selectie van patiënten voor bepaalde behandelingen en zullen mogelijk onnodige, toxische therapieën kunnen worden voorkomen. Zodoende kan deze optimalisatie zorgen voor een mogelijk betere overleving en een verbeterde kwaliteit van leven van patiënten met CRLM.

Studieopzet
Ons onderzoeksproject bestaat uit drie werkpakketten (Figuur1. Studieopzet). Werkpakket 1 (WP1) bestaat uit het ontwikkelen en het valideren van modellen die geautomatiseerd de respons op systemische behandeling van CRLM kunnen evalueren volgens RECIST1.1 en de respons van het TTV in kaart kunnen brengen. Het ontwikkelen van deze modellen zal gebeuren met de reeds beschikbare patiëntengegevens (CT-scans en klinische data) van de gerandomiseerde, klinische CAIRO5 trial. Om de gecreëerde geavanceerde modellen te valideren, zal een extern patiënten cohort worden gebruikt van patiënten met CRLM uit het Erasmus MC. Wanneer de geavanceerde modellen gevalideerd zijn, zullen deze worden toegepast in een klinische studie, waarin tumorrespons (RECIST1.1 en TTV) zal worden geëvalueerd met behulp van de modellen. In WP2 zal gewerkt worden aan het objectiveren van de morfologische tumorrespons beoordeling, waarin de patiëntengegevens van de CAIRO5 trial wederom zullen worden gebruikt. In deze beoordeling zullen veranderingen in uiterlijke kenmerken van de CRLM op CT-scans worden meegenomen en geautomatiseerd, zoals veranderingen in aankleuring met contrastvloeistof en begrenzing van de CRLM. In WP3 zal worden onderzocht of beeldvormende kenmerken voorspellend kunnen zijn voor bepaalde genetische mutaties en pathologische uitkomsten. Dit deel van het onderzoek zal samen met het Nederlandse Kanker Instituut worden uitgevoerd. Tenslotte zullen beeldkenmerken, genetische data en klinische data worden gecombineerd in geavanceerde modellen om de tumorrespons en overleving te voorspellen van (patiënten met) CRLM. De geavanceerde analyses binnen dit project zullen worden uitgevoerd in samenwerking met SAS, een vooraanstaand technisch softwarebedrijf. Zij zullen advies leveren op het gebied van AI en hun software beschikbaar stellen.

Verwachte uitkomsten
Door een model te ontwikkelen dat RECIST1.1 kan automatiseren verwachten we de tumorrespons evaluatie van patiënten met CRLM aanzienlijk te verbeteren. Het bespaart tijd van radiologen en kan leiden tot een objectievere beoordeling, omdat beperkingen van subjectiviteit en variabiliteit zullen worden weggenomen. Bovendien verwachten wij dat het gebruik van AI ons nieuwe inzichten zal geven in tumorkarakteristieken, doordat geavanceerde modellen een groot aantal kwantitatieve beeldkenmerken van de tumoren uit CT-scans kunnen halen, die met het menselijk oog niet zichtbaar of kwantificeerbaar zijn. Daarnaast zal het ons in staat stellen om verbanden tussen patiëntgegevens en uitkomsten te ontrafelen om zo een completer beeld van de ziekte te krijgen en de uitkomsten van patiënten beter te kunnen voorspellen. Wij verwachten dat alle bovengenoemde doelen zullen leiden tot verbetering van behandelstrategieën en daarmee uiteindelijk tot meer geïndividualiseerde patiëntenzorg. Het uiteindelijke doel is om deze geavanceerde modellen daadwerkelijk toe te passen in de klinische praktijk om klinische besluitvorming te ondersteunen en daarbij onnodige behandelingen te voorkomen.