Voorspelling van longafwijkingen met deep-learning bij patienten met colorectal carcinoom

Achtergrond
Darmkanker is één van de meest voorkomende kanker en heeft een grote impact op het leven van de patiënt. Het hebben of krijgen van uitzaaiingen van darmkanker in de longen heeft ernstige gevolgen. Zo komen patiënten soms niet meer aanmerking voor een behandeling die gericht is op genezing, of moeten extra chirurgische procedures ondergaan. Vanwege de grote impact van longuitzaaiingen op de behandeling en de prognose, is het van belang dat er bij patiënten met darmkanker op een accurate manier wordt onderzocht of er longuitzaaiingen zijn. Toch hebben de huidige onderzoeksmethoden voor longuitzaaiingen nog belangrijke gebreken.

Radiologen en multidisciplinaire teams hebben veelal moeite om afwijkingen in de longen (zoals longuitzaaiingen) op een CT-scan goed te classificeren. Ze weten dan niet altijd goed of er sprake is van een daadwerkelijke uitzaaiing van darmkanker, of een goedaardige longafwijking. Om de diagnose van een longuitzaaiing te bevestigen moet weefselonderzoek (een biopt) worden verricht; een invasieve procedure die technisch niet altijd mogelijk is en gepaard gaat met complicaties. Onzekerheid in diagnose en prognose kan voor patiënten zorgen voor angst, wat invloed heeft op de kwaliteit van leven.

Na de behandeling voor darmkanker, moeten patiënten volgens de richtlijn CT-scans van de longen ondergaan om te kijken of er uitzaaiingen ontstaan. We momenteel namelijk niet goed weten welke patiënten longuitzaaiingen krijgen. Deze periodieke scans gaan gepaard met zorgkosten en angst bij patiënten. Als er longuitzaaiingen worden gevonden, weten we niet goed hoe we deze moeten behandelen. Richtlijnen en handvaten voor de behandeling van longuitzaaiingen ontbreken. Wel is er steeds meer bewijs dat longuitzaaiingen van darmkanker niet altijd dodelijk zijn, en dat behandelingen die gericht zijn op afwachten in sommige patiënten net zo goed kan zijn. De vraag is dus of invasieve methoden zoals periodieke CT-scans en biopten wel zinvol zijn.

Kortom, er zijn veel onzekerheden op het gebied van longafwijkingen bij patiënten met darmkanker. Behandelaren hebben moeite met de juiste diagnose te stellen, en weten daarnaast nog niet goed wat de juiste behandeling is. Gezien longafwijkingen vaak voor komen bij patiënten met darmkanker, is verbetering van de diagnostiek en behandeling hiervan een belangrijk agendapunt van de DCCG (Dutch Colorectaal Cancer Group).

Onderzoeksrichting
Deep-learning is een vorm van kunstmatige intelligentie, waarbij computermodellen worden getraind om een gewenste uitkomst te voorspellen op basis van een bepaalde invoer. Uit meerdere publicaties blijkt dat deep-learning binnen de geneeskunde voor meerdere toepassingen veelbelovend is. Binnen de oncologie wordt deep-learning inmiddels toegepast om klinisch relevante uitkomsten te voorspellen op radiologiebeelden, weefselpreparaten en erfelijkheidsmateriaal (DNA). Deep-learning is in staat om ingewikkelde patronen en relaties op beelden te herkennen, iets wat voor de mens onmogelijk is. Zo kan de prognose van darmkankerpatiënten beter voorspeld worden met deep-learning dan met de gebruikelijke methoden.

Inmiddels zijn er al veel slimme deep-learning programma’s die longafwijkingen op CT-scans accuraat kunnen detecteren, maar we weten momenteel of deze afwijkingen daadwerkelijk uitzaaiingen zijn en wat de invloed is op de prognose. In deze studie willen we onderzoeken of het mogelijk is om met behulp van deep-learning de aard en prognose van longafwijkingen op CT-scans te voorspellen. Het doel is om op deze minimaal invasieve manier de diagnostiek van darmkanker te verbeteren, en uiteindelijk de kwaliteit van leven en uitkomsten van patiënten met darmkanker verbeteren.

Relevantie
Indien de aard en prognose van longafwijkingen voorspeld kan worden, zou dit van grote toegevoegde waarde zijn voor de gepersonaliseerde behandeling en opvolging van patiënten met darmkanker. Patiënten zullen hierdoor beter inzicht krijgen in de prognose en behandeling krijgen die voor hun van toepassing is. Patiënten zullen hierdoor minder onnodige CT-scans, biopten en behandelingen voor longafwijkingen ondergaan. Dit zal de kwaliteit van leven, de overleving en de zorgkosten van patiënten met darmkanker verbeteren.
 
Onderzoeksvragen
De hoofdvraag van de deze studie is of deep-learning technieken de aard en prognose van longafwijkingen kunnen voorspellen, en of deze voorspellingen uiteindelijk werkzaam zijn in de praktijk en de uitkomsten van patiënten met darmkanker zal verbeteren.
Onderzoeksopzet
Eerst verzamelen we alle data die nodig zijn om de deep-learning modellen te trainen. Deze data bestaan uit routine CT-scans en klinische data van patiënten die reeds behandeld zijn in twee grote ziekenhuizen in Nederland. De verslagen en de CT-scans zullen worden geanalyseerd door bestaande detecteerprogramma’s en gecontroleerd door ervaren radiologen.

Daarna zullen verschillende modellen worden gemaakt die de aard en prognose van longafwijkingen kunnen voorspellen. De uitkomsten die we willen voorspellen zijn: de kans op maligniteit van een bepaalde longafwijking, ziekteprogressie in de longen, ziekteprogressie, en overlijden. De uitkomsten zullen worden gevalideerd en gecontroleerd op bias. Daarna zullen we de algoritmes integreren in een gebruiksvriendelijke applicatie. Deze applicatie zal eerst worden getest in een fictief multidisciplinair team, en daarna worden ingezet academische centra die ervaring hebben met deep-learning. Na zorgvuldige evaluatie van uitkomsten, zal de applicatie stapsgewijs worden toegepast in andere ziekenhuizen in studieverband en een kosten-batenanalyse worden gedaan.

Verwachte uitkomsten
Door het gebruik van grote en reeds verzamelde datasets, en de samenwerking tussen toonaangevende onderzoeksgroepen en commerciële partijen, wordt verwacht dat deze studie een relevante bijdrage kan leveren aan de huidige diagnostiek van longafwijkingen bij patiënten met darmkanker. Gezien longafwijkingen bij patiënten met darmkanker een veelvoorkomend en erkend probleem is, verwachten we dat onze applicatie snel zal worden gebruikt door radiologen en multidisciplinaire teams, en dat dit de uitkomsten van patiënten met darmkanker zal verbeteren.

Implementatie
De resultaten van het onderzoek worden voorgelegd aan adviesorganen zoals onderzoeksinstanties (DCCG), patiëntorganisaties (Stichting Darmkanker) en kwaliteit-beoordelingscommies (cieBOD). Daarnaast zetten in om onze studie te publiceren in hoog aangeschreven, peerreviewed tijdschriften. Onze implementatiestrategie richt zich op snelle richtlijn implementatie, het verkrijgen van CE-markering, en opname in de basisverzekering. Onze samenwerkende partijen hebben reeds ervaring met de juridische aspecten van softwaretoepassingen in de dagelijkse praktijk, en het integreren van deep-learning applicatie in de digitale werkomgeving van radiologen. Het programma kan hierdoor snel en gemakkelijk gebruikt worden zonder dat dit de werkstroom zal verstoren. We verwachten dat implementatie zowel zorgkosten bespaart (door vermindering een onnodige onderzoeken en behandelingen) als uitkomsten verbetert. Een positieve kosten-batenanalyse zal richtlijnmakers en zorgverzekeringen ervan overtuigen onze applicatie nationaal beschikbaar te stellen.