Advertentie

Betere klinische voorspellingen doen dankzij big data

Met radiomics kunnen standaard CT-, PET- en MRI-scans veel meer informatie onthullen dan met het blote oog te zien is. Radiotherapeut-oncoloog prof. dr. Philippe Lambin, die het concept bedacht, hoopt de techniek op korte termijn ook in de kliniek in te zetten. Zo ver is het nog niet, maar daar wordt aan gewerkt. Zo deed promovenda Evelyn de Jong onderzoek naar een prognostisch profiel met beeldkenmerken van CT en PET in stadium IV niet-kleincellig longkanker.

In de filmpjes op YouTube wordt het uitgelegd alsof het de eenvoudigste zaak van de wereld is: radiomics, een vrij nieuwe techniek waarbij (standaard) medische beelden als computertomografie (CT), positronemissietomografie (PET) of magnetic resonance imaging (MRI) in een computergestuurde analyse worden verwerkt tot kwantitatieve gegevens, met als doel deze in de vorm van diagnostische, prognostische of voorspellende modellen te integreren in klinische keuzehulpsystemen. Zover is het nog niet voor de klinische praktijk: hoewel medische beeldvorming steeds vaker wordt ingezet bij het opstellen van behandelplannen en om de respons op behandeling te monitoren, wordt beeldvorming in de huidige klinische praktijk nog vooral kwalitatief gebruikt.

Nieuw concept
Dat kan anders, bedacht afdelingshoofd van de afdeling Precision Medicine van de Universiteit Maastricht prof. dr. Philippe Lambin, die het concept in 2012 lanceerde. “Onze hypothese was: medische beelden moeten kwantificeerbare informatie over de onderliggende pathofysiologie bevatten. In radiomics maken we een objectieve, kwantitatieve analyse van medische beelden. Door de beelden te integreren met gegevens van verschillende vakgebieden als genetica en bio-informatica, komen we tot multidimensionale gegevens. Met behulp van big data en distributed learning traint de computersoftware zich in het ontdekken van profielen: beeldkenmerken met een voorspellende waarde. Met de informatie die de behandelend medisch specialist uit deze vorm van kunstmatige intelligentie kan aflezen, kan hij betere klinische beslissingen nemen en dat leidt weer tot geoptimaliseerde, gepersonaliseerde geneeskunde en wellicht een betere prognose voor de patiënt.”

Beelden verkrijgen
Hoe het proces in zijn werk gaat, daar wil Lambin wel iets over vertellen. “Radiomics begint met het verkrijgen van medische beelden met behulp van CT, PET of MRI. Moderne CT-, PET- en MRI-scanners ondersteunen een heel scala aan variaties in acquisitie en reconstructie-instellingen om subjectieve vereisten van de expert aan medische beelden te faciliteren. Vervolgens kies je een of meerdere (sub)volumes waaruit de radiomics-kenmerken, features, zijn te extraheren. Dit is veelal de primaire tumor, maar ook lymfkliermetastasen en afstandsmetastasen zijn te gebruiken.” Deze (sub)volumes hebben vaak onduidelijke grenzen. “Dat kan leiden tot variatie in segmentatie en dat heeft weer invloed op de beelden die we onttrekken. Het beste is segmentatie met behulp van (semi-)automatische methoden, zoals deep learning, want die hebben een hogere reproduceerbaarheid, maar die zijn niet altijd beschikbaar.”

Big data
De meest essentiële stap van radiomics is het onttrekken van kwantitatieve beeldeigenschappen uit de gesegmenteerde volumes. Lambin: “De beeldeigenschappen zijn grofweg te verdelen in vijf groepen, namelijk intensiteit, vorm, textuur, parameters na beeldtransformatie en filtering en tot slot meer complexe semantische kenmerken. De intensiteit beschrijft het histogram van intensiteitswaarden. De tweede groep beschrijft de driedimensionale vorm en afmetingen van het gesegmenteerde volume terwijl de textuur de intratumorheterogeniteit beschrijft door de ruimtelijke relatie tussen beeldpunten (voxels) binnen het tumorvolume te kwantificeren. Na beeldtransformatie kwantificeren parameters de intensiteit en textuur door middel van het toepassen van filters en tot slot kwantificeert de laatste groep de beeldkarakteristieken zoals beschreven door de radiologen, bijvoorbeeld cavitatie, botcontact en massaeffect.”

Door de beelden te combineren met big data kan de computer vervolgens de structuur van een beeld kwantificeren. “Veel ziekenhuizen beschikken al over een enorme hoeveelheid scans waarvan de computer kan leren via machine learning. En je kunt ook denken aan distributed learning, waarin ziekenhuizen of onderzoeksgroepen modellen delen om de software beter te trainen. Met die kennis kan de behandelend medisch specialist straks nauwkeuriger de diagnose stellen, voorspellen of het om een agressief subtype gaat en een beter onderbouwd advies geven over bijvoorbeeld metastasen, kans op recidief en welke behandeling de meeste kans heeft op effect.”

Patronen ontdekken
De laatste stap in het radiomics-proces is de ontwikkeling van modellen en de validatie ervan. “Met data mining kunnen we patronen ontdekken in grote datasets”, legt Lambin uit. “Door de beelden te combineren met andere gegevens, zoals klinische variabelen als leeftijd of comorbiditeit, maar ook de eerder genoemde genetica en uitkomsten van chemotherapie, krijgt radiomics een toegevoegde waarde: zo zijn nieuwe modellen te ontwikkelen die biologische, klinische en beeldinformatie combineren.”

Ondanks de uitdaging van standaardisatie is radiomics ondertussen een snelgroeiend onderzoeksveld. Er zijn radiomics-studies uitgevoerd voor een groot aantal indicaties, zoals long-, hoofd-hals-, prostaat-, rectum-, slokdarmkanker en hersentumoren. Zo heeft de onderzoeksgroep van Lambin in 2014 een op standaardplanning-CT gebaseerd radiomics-profiel ontwikkeld dat in staat blijkt de prognose van de patiënt te voorspellen, voor zowel longkankerpatiënten als voor hoofd-halskankerpatiënten. “Dit radiomics-profiel is gevalideerd in onafhankelijke datasets, in totaal bestaande uit meer dan 1.500 patiënten.”

Voorspellende waarde
Voor de klinische toepasbaarheid van radiomics in oncologie en in de toekomst ook in de diagnostiek, is het van belang om het model te valideren voor verschillende tumoren. Dat was dan ook het doel van Evelyn de Jong, die begin 2019 bij Philippe Lambin en Anne-Marie Dingemans hoopt te promoveren met haar onderzoek naar radiomics bij stadium IV niet-kleincellige longkanker. “Dat het in 2014 ontwikkelde radiomics-profiel ook een prognostische waarde bleek te hebben in hoofd-halskanker, riep de vraag op of het profiel dan mogelijk ook prognostisch is in stadium IV-longkanker”, vertelt De Jong. “Mijn proefschrift Image features for the future in stage IV non-small cell lung cancer gaat over beeldkenmerken van CT- en PET-beeldvorming in stadium IV niet-kleincellig longkanker, die mogelijk voorspellend zijn voor respons op chemotherapie. Ook heb ik gekeken naar prognostische factoren als overleving, progressievrije overleving, cachexie en mutatiestatus.”

Om die vraag te beantwoorden heeft De Jong bij een cohort van in totaal 195 stadium IV-longkankerpatiënten (één cohort van 58, en het tweede bestaande uit 137 patiënten) de primaire longtumor gesegmenteerd (zonder klieren of metastasen) op de diagnostische CT-scan, voor de start met chemotherapie. “Vervolgens hebben we de radiomics-kenmerken uitgerekend en hebben we per patiënt de prognostische index bepaald aan de hand van het profiel uit 2014. Daarna hebben we gekeken of we met dezelfde drempelwaarde als in 2014 de patiënten kunnen splitsen in lange overleving en korte overleving.” Dat bleek inderdaad het geval. “De overleving verschilde van acht maanden bij een hoge prognostische index tot 13 maanden bij een lage prognostische index, met inachtneming van een hazard ratio van 1,44” (95%-BI 1,07-1,92).

Eerste stap
Op dit moment kan het model alleen patiënten indelen op hoge en lage overleving. Evelyn de Jong: “Er is in de toekomst nog veel onderzoek nodig naar technische aspecten van radiomics, en daarnaast zijn grote datasets nodig om voorspellende modellen te maken die de behandelingskeuze kunnen ondersteunen. Verder zullen we naast de radiomics-beeldkenmerken ook klinische variabelen in de modellen integreren om betere voorspellingen te doen. Onze studie heeft wel laten zien dat er beeldkenmerken zijn die zowel in lage stadia longkanker als uitgezaaide longkanker een voorspellende waarde hebben. Tot slot hebben we laten zien dat radiomics-beeldkenmerken van de klieren en metastasen waarschijnlijk meerwaarde hebben in stadium IV-longkanker.”

Het onderzoek van De Jong is een mooie eerste stap richting de kliniek, verwacht Philippe Lambin. “Onze groep werkt, samen met longartsen en radiologen, ondertussen aan meer profielen voor verschillende tumoren en om de modellen verder uit te breiden zodat ze klinisch relevant zijn. Daarna kunnen we met een bedrijf dat het systeem kan onderhouden en trainingen kan opzetten, de software geschikt maken voor diagnostisch gebruik op de werkvloer. Als het aan mij ligt, is dat er met enkele jaren. We maken dagelijks scans en dat kost tijd en inspanning: dan is het ook zaak dat we er het maximale uithalen.”



Aandachtsgebied:

Longkanker

Onderwerp:

ct-scan NSCLC PET-CT radiomics

Advertentie

U heeft nog enkele gratis artikelen binnen oncologie. Maak uw account aan om ongelimiteerd te lezen.