Verslagen

Voortgangsverslag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

Vestibulair schwannomen zijn goedaardige hersentumoren. In het ETZ in Tilburg worden patiënten uit het gehele land behandeld met een apparaat dat dergelijke tumoren met een hele hoge precisie bestraalt, het Gamma Knife. Deze tumoren, ook wel brughoektumoren genoemd, reageren niet altijd hetzelfde op een dergelijke behandeling. Sommige tumoren krimpen, andere blijven stabiel, en weer anderen blijven doorgroeien. Het is niet bekend waarom deze tumoren zo verschillend reageren op deze vorm van behandeling.

Doel

Dit onderzoeksproject heeft als doel om de reactie van vestibulair schwannomen op Gamma Knife behandeling te kunnen voorspellen. In samenwerking met de Technische Universiteit van Eindhoven worden technieken ontwikkeld om de MRI beelden zeer geavanceerd te analyseren. Allerlei aspecten verkregen uit de MRI beelden worden gekoppeld aan de waargenomen reactie van de tumoren na de behandeling. Op deze wijze hopen wij meer inzicht te krijgen in factoren die de behandeling al dan niet succesvol maken.

 

Resultaten
Dit item is dichtgeklapt
Dit item is opengeklapt

Inmiddels is bij 737 patiënten met een brughoek tumor uitvoerig in kaart gebracht hoe de tumor heeft gereageerd op de gamma knife behandeling. Dit betekent dat ongeveer 4000 MRI’s zijn geanalyseerd. Door het volume van de tumor te bepalen op verschillende tijdstippen na de behandeling kan nauwkeurig bepaald worden of de behandeling effectief is geweest. Van alle behandelingen zijn er tot dus verre 87% succesvol. Binnen deze groep zien we verschillende reacties in de snelheid en ook de mate van krimp van de tumor.

Er is al een begin gemaakt met de zoektocht naar factoren die deze verschillende reacties van de tumor op de gamma knife behandeling zou kunnen voorspellen. De hoogte en nauwkeurigheid van de toegediende straling was niet van invloed. In deze factoren was ook weinig variatie, omdat de behandeling volgens protocol plaats vindt, en dus voor alle patiënten vrijwel hetzelfde is. Een eerste factor die wel belangrijk lijkt voor de uitkomst na gamma knife behandeling, is de groeisnelheid van de tumor voorafgaand aan de behandeling. De kans op succes lijkt groter als een tumor relatief langzaam groeit, en kleiner bij snel groeiende tumoren.

Daarnaast is er een begin gemaakt met analyse van de MRI’s tijdens de behandeling met zogenaamde “machine learning” technieken. Dit betekent dat de computer analyseert hoe de inhoud van de tumor er uit ziet op de MRI. Deze techniek analyseert bijvoorbeeld hoeveel grijswaarden er op de MRI zichtbaar zijn en hoe deze grijswaarden verdeeld zijn binnen de tumor. Dit zegt dus iets over hoe het weefsel van de tumor is samengesteld. Dergelijke gegevens zijn vergeleken met de uitkomst van de behandeling. De eerste analyses wijzen in de richting dat tumoren die een wisselende grijswaarde hebben op de MRI beter reageren op behandeling. Het komende jaar wordt deze machine learning techniek verder verfijnd.

 

Samenvatting van de aanvraag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

OBJECTIVE:

The present project aims to deliver evidence-based predictive parameters on which can be decided on an individual basis whether Gamma Knife radiosurgery will be an effective treatment for vestibular schwannoma (VS).

 

HYPOTHESIS:

Extensive (quantitative) analysis of pre-treatment MRI findings will yield parameters that are useful in predicting the outcome of Gamma Knife radiosurgery on vestibular schwannoma.

 

STUDY DESIGN:

A retrospective analysis of pre-treatment Magnetic Resonance Imaging (MRI) scans will be performed, using the VS dataset from the St. Elisabeth Hospital. Predefined parameters to study on these MR images are: tumor morphology, heterogeneity, volume, contrast enhancement pattern and density. These parameters will be analyzed (both qualitatively and quantitatively) for a predictive correlation with gamma knife radiosurgery clinical effect, to be measured as tumor half-reduction time. In addition, clinical data on growth speed and audiovestibular complaints before treatment will be used and correlated to outcome after radiosurgery. For the quantitative analysis of MR images, parameters will be translated into digital descriptors (features, based on image properties). Such features will reflect the properties of tumors on the images. Extensive image analysis algorithms to define these descriptors will be applied. Determination of the best clinical value of the descriptors will be obtained by iteration with clinical experts. Further, statistical learning and correlation techniques will be exploited for determining the predictive image features in combination with the clinical data. The most informative combination of these parameters will be validated on a second clinical database from the University Hospital La Timone in Marseille, France.

 

STUDY POPULATION/DATASET:

MR data will be extracted from a dataset of more than 1.000 radiosurgical treatments of VS at the St. Elisabeth Hospital in Tilburg. This includes data of 400 VS patients from the Radboud University Medical Center. Each year, approximately 90 patients more are included in this dataset.

 

INTERVENTION:

No interventional studies are foreseen.

 

OUTCOME MEASURES:

Pre-defined parameters will be analyzed for their predictive power on tumor half-reduction time. The current project will result in predictive parameters, which will be used in the development of clinical guidelines for treatment of vestibular schwannoma.

 

SAMPLE SIZE:

1.000+ GKRS-treated VS

 

DATA ANALYSIS: Multivariate analysis

 

COLLABORATION/CONNECTION:

The project involves a collaborative effort between the St. Elisabeth Hospital in Tilburg (“St. Elisabeth”), the Radboud University Medical Center in Nijmegen (“Radboud”) en the Technical University in Eindhoven (“TU/e”). St. Elisabeth is the expert center on radiation surgery by the Gamma Knife, Radboud is the expert center on VS and TU/e is the expert center on quantitative analysis of (MRI, medical) images.

 

TIME SCHEDULE:

Months 1-6 Designing and filling the database

Months 1-12 Development imaging tool from small set of MR images

Months 13-24 Quantitative analysis MR images

Months 19-30 Large-scale statistical analysis of quantified MR images and clinical data, and development GKRS positive responder prognostic algorithm/tool

Months 31-42 Validation of GKRS positive responder prognostic algorithm on external data set

Months 7-48 Dissemination and Implementation

Months 1-48 Project management

 

Naar boven
Direct naar: InhoudDirect naar: NavigatieDirect naar: Onderkant website