Usecase UMC Utrecht

Alvleesklierkanker behoort tot één van de meest dodelijke vormen van kanker, waarbij slechts 9 op de 100 patiënten nog in leven zijn na 5 jaar. De optimale behandeling van alvleesklierkanker bestaat uit een operatie in combinatie met chemotherapie. Van de ruim 2.500 mensen die jaarlijks in Nederland de diagnose alvleesklierkanker krijgen, kunnen zo’n 500 patiënten een operatie ondergaan; bij de overige patiënten is de kanker lokaal niet operabel of is de ziekte al uitgezaaid. Van alle patiënten die wel een operatie kunnen ondergaan, keert de ziekte in 80% van de patiënten echter binnen 2 jaar alweer terug: dit wordt een recidief genoemd. Een ziekterecidief wordt over het algemeen vastgesteld met CT-scans. Een radioloog beoordeelt of er op deze scans tumorgroei zichtbaar is. Vaak is het na de operatie erg moeilijk om tumorweefsel rondom de plek van de operatie te onderscheiden van verlittekening van het weefsel. UMC Utrecht wil samen met Datacation Artifical Intelligence gaan inzetten om in een vroeg stadium met meer zekerheid terugkerende alvleesklierkanker te diagnosticeren.

Dit grote, uitdagende project is opgesplitst in meerdere fases, waarbij er verschillende AI-modellen worden ontwikkeld die goed op elkaar aansluiten. Zo hebben we al snel de eerste tastbare resultaten en kan ons werk meegroeien met de laatste ontwikkelingen in het vakgebied. Onze eerste AI-oplossing is een innovatief computer vision model dat de alvleesklier kan herkennen en segmenteren in een CT-scan. Tijdens een operatie wordt bij de patiënt de tumor en een deel van de alvleesklier weggehaald. Hierdoor ziet de pancreas er op de post-operatieve CT-scan bij iedereen anders uit. Bestaande segmentatiemodellen werken suboptimaal vanwege deze variatie. Team Datacation heeft een innovatief segmentatiemodel ontwikkeld op basis van een encoder-decoder neuraal netwerk met attention mechanism. Dit werk heeft geresulteerd in een wetenschappelijke publicatie. Op dit moment is team Datacation AI aan het ontwikkelen die kan detecteren of een tumor na de operatie is teruggekeerd. Met behulp van een krachtig semi-supervised classificatiemodel kan er onderscheid gemaakt worden tussen CT-scans met teruggekeerde tumoren en CT-scans zonder tumoren. Om de artsen te ondersteunen en de classificatie uitlegbaar te maken, wordt er via segmentatie en attention onderscheid gemaakt tussen littekenweefsel (fibrosis) en tumoren.

Aan dit project wordt momenteel intensief samengewerkt door het UMC Utrecht en Datacation en wordt medegefinancierd door de Europese Unie. Het ultieme doel is om het AI model uiteindelijk te integreren in de klinische praktijk en dat het radiologen kan ondersteunen. Hierdoor krijgen patiënten naar verwachting sneller duidelijkheid over de aanwezigheid van een recidief, en wordt de kans op recidief behandeling groter, met als doel de overleving en kwaliteit van leven voor patiënten te verbeteren.