Ontwikkeling van deep learning en radiomics technieken voor contraststof gebaseerde mammografie: het gebruik van in silico testen met synthetische data om zeldzame kankers ook te kunnen incorporeren

Het probleem van het detecteren en / of karakteriseren van minder vaak voorkomende subtypes van borstkanker uit medische beelden wordt al lang erkend. De combinatie van vooruitgang in röntgenbeeldvorming en kunstmatige intelligentie (AI) opent nieuwe wegen voor dit probleem. Dit project zal een gecombineerde deep learning en handgemaakte radiomics-oplossing bouwen en valideren voor contrast-versterkte mammografie (CEM). De nieuwe tool biedt beslissingsondersteuning voor detectie en karakterisering met behulp van de kwantitatieve perfusiepatronen die door CEM zijn ontdekt.Het grote aantal benodigde trainingsbeelden is bijzonder uitdagend voor een nieuwe techniek, waar grote klinische onderzoeken ontbreken. We veronderstellen dat gegevensarmoede kan worden overwonnen door het creëren van een overvloed aan synthetische, virtuele gevallen, waaronder met name moeilijke en minder vaak voorkomende kankersubtypes. Deze specifieke dataverrijkingstechniek van "In Silico Clinical Trials" zal worden gebouwd voor de huidige ontwikkeling en validatie van AI. Tegelijkertijd zullen eReaders (of modelwaarnemers) worden afgestemd om menselijke prestaties te voorspellen met dezelfde testsets. Dit maakt tijdefficiënte validatie van AI-ontwikkeling mogelijk voor verschillende specifieke (virtuele) testomstandigheden en laat zien waar AI de grootste impact zal hebben (kosteneffectiviteit). Dit kan bewijs leveren voor de rol van CEM bij de radiologische opwerking en het kankerinformatie-gehalte verhogen. Dit project zal profiteren van de ervaring van het team van Philippe Lambin (AI in de oncologie) en het team van Hilde Bosmans (In Silico Clinical Trials with eReaders). Integratie van beide teams in het ziekenhuis garandeert realistische, reële casusituaties. CEM cases zijn verkrijgbaar bij MUMC + (dr. Marc Lobbes).