Mobiele menu

Predicting Response of metastatic Melanoma to Immunotherapy Using Machine learning (PREMIUM)

Projectomschrijving

Het melanoom is een zeldzame maar agressieve vorm van huidkanker, die vaak gepaard gaat met uitzaaiingen. In de afgelopen vijf jaar is de behandeling van het uitgezaaid melanoom sterk verbeterd door de introductie van immuuntherapie. Immuuntherapie helpt het afweersysteem om zelf de kankercellen aan te vallen en op te ruimen, maar is erg duur en gaat gepaard met ernstige bijwerkingen bij ongeveer 40% van de patiënten.

Opzet

Het doel van dit onderzoek is om met behulp van kunstmatige intelligentie technieken meer informatie te halen uit medische beeldvorming waarmee de uitzaaiingen geconstateerd zijn en het weefsel dat gebruikt is om de diagnose te stellen. Door het combineren van deze informatie met bloedwaarden en klinische gegevens kan de computer voor start van de immuuntherapie gaan voorspellen hoe groot de kans op een positief behandeleffect is.

Verwachte uitkomst

De verwachting is dat in de komende vier jaar duidelijk wordt of het beoogde algoritme nauwkeurig genoeg is om bij te dragen aan betere behandelbeslissingen. Als dit lukt kan de patiënt samen met de behandelend arts in de toekomst een beter afgewogen besluit nemen over wel of niet behandelen met immuuntherapie.


Richtlijn

Van de onderzoeksprojecten uit het ZonMw programma Goed Gebruik Geneesmiddelen (GGG) is inzichtelijk gemaakt of zij aansluiten bij de richtlijnen en/of modules in de FMS Richtlijnendatabase. Dit onderzoek sluit aan op de volgende richtlijn in de FMS Richtlijnendatabase.

Verslagen


Samenvatting van de aanvraag

Research question Immunotherapy is a great advancement for patients with metastatic cancers. Approximately 60% of patients with metastatic melanoma receive immunotherapy. However, immunotherapy is very expensive, and ineffective in over 40% of the patients. Furthermore, it takes at least 5 months to ascertain non-response, wasting valuable time and money on ineffective treatment, and exposing patients to severe side-effects. Hypothesis We propose a research program that aims to develop deep learning based tools for pre-treatment response prediction in patients with metastatic melanoma. Study design Building on our experience with advanced image analysis and deep learning, we aim to unlock the predictive information from diagnostic modalities that are already part of routine clinical melanoma care: computed tomography scans and digital pathology slides. The research will be carried out by a multi-disciplinary team of experts in pathology, radiology, oncology, radiotherapy and artificial intelligence, as well as cost-effectiveness. We will collaborate with existing biobanking initiatives aimed at understanding how tumors interact with the immune system. Study population With computerized image analysis and deep learning applied to these images, we will re-analyze existing data from approximately 500 melanoma patients treated with immunotherapy in The Netherlands. Furthermore, we will validate the predictive power of our models in a multi-center prospective cohort of over 750 patients. Intervention Patients will receive usual care and there will be no intervention based on study results. Outcome measure Best overall response by RECIST and irRECIST. Sample size/data analysis The 95% confidence interval around the negative predictive value of 90% will be 84.6%-94.0% with a prospective sample size of 750. Neural networks will be designed to make predictions primarily using radiology and pathology images as input, eventually allowing for inclusion of clinicopathological data.

Kenmerken

Projectnummer:
848101007
Looptijd: 86%
Looptijd: 86 %
2019
2025
Onderdeel van programma:
Gerelateerde subsidieronde:
Projectleider en penvoerder:
prof. dr. K.P.M. Suijkerbuijk MD PhD
Verantwoordelijke organisatie:
Universitair Medisch Centrum Utrecht