Het verbeteren van predictie en preventie van bestralingsbijwerkingen van hoofd-halskanker patienten door middel van artificiële intelligentie en medische beeldvorming

ACHTERGROND

Probleemstelling
De overlevingskans voor hoofd-halskanker neemt de laatste jaren steeds meer toe, door de toename van type tumoren met betere overlevingskansen (Humane Papilloma Virus) en effectievere kankerbehandeling met behulp van radiotherapie (bestraling). Echter, nog lang na de behandeling hebben velen van deze groeiende groep hoofd-halskanker-overlevenden last van heftige, langdurige en soms permanente bijwerkingen, zoals  een extreem droge mond, of niet kunnen eten door hevige slikklachten. Het risico op deze straling-geïnduceerde bijwerkingen kan worden voorspeld met behulp van predictiemodellen, zogenoemde NTCP-modellen (Normal Tissue Complication Probability), die de relatie weergeven tussen de stralingsdosis waaraan het gezonde weefsel wordt blootgesteld en het risico op toxiciteit.

NTCP-modellen kunnen een patiënt-specifieke kans op het ontwikkelen van een bijwerking geven. Aan de hand hiervan kan bijvoorbeeld het optimale behandelplan voor een patiënt worden bepaald, waarbij wordt bekeken welke bestralingstechnologie het meest geschikt is. De uitdaging is om de bestralingsbijwerkingen accuraat te voorspellen vóórdat de behandeling begint, omdat deze zeer patiënt-specifiek en de bijwerking mechanismes complex zijn. Dit komt mede doordat op dit moment de NTCP-modellen worden gebruikt met simpele bestralingsmarkers en zonder patiënt-specifieke anatomische informatie. Bovendien ontbreekt het aan de capaciteit om complexe gegevens te verwerken zoals beeldvorming, ruimtelijke verdeling van de stralingsdosis of toxiciteit-interacties. Het is dus zeer belangrijk voor de steeds groter wordende groep hoofd-halskanker-overlevenden, dat het voorspellen van het bijwerking risico profiel wordt verbeterd, zodat ook de besluitvorming over de behandeling van hoofd-halskanker kan worden verbeterd.

 Hypothese en doelstelling
De overkoepelende hypothese is dat de ontwikkeling van bestralingsbijwerkingen geen simpele optelsom is van onafhankelijke processen. Naar onze verwachting is dit eerder een onderling samenhangend mechanisme van patiënt-specifieke weefselkarakteristieken en interconnectiviteit tussen bijwerkingen die elkaar op een negatieve manier beïnvloeden.

Vanuit deze hypothese hebben we in dit project de volgende doelen:

1. Het identificeren van patiënt-specifieke beeldkenmerken verkregen uit CT-, PET- en MR-scans (zogenaamde image biomarkers) die geassocieerd worden met een verhoogd risico op de belangrijkste bijwerkingen die een bijkomstigheid zijn van hoofd-halskankerbestraling van;
2. Het ontwikkelen van artificiële intelligentie methodes voor het creëren van modellen die de meerdere toxiciteiten tegelijk kunnen voorspellen op basis van de ruimtelijke verdeling van de geplande bestralingsdosis;
3. Het ontwikkelen van een decision-support tool dat een patiënt-specifiek bewerkingsrisicoprofiel genereert. Dat profiel wordt voor de patiënt vertaald om zijn persoonlijk voorspelde bijwerkingenrapport te krijgen. De arts kan met het profiel op behandelopties vergelijken of bijwerking mitigatie behandelingen inzetten.

RELEVANTIE
Doelgroep en patiëntbehoefte
De doelgroep betreft patiënten met kanker in het hoofdhalsgebied die worden behandeld middels radiotherapie (al dan niet gecombineerd met chemotherapie). Door een intensieve behandeling heeft deze groep patiënten veel bijwerkingen, die vaak blijvend en hardnekkige zijn. Voorbeelden zijn ernstige droge mond, taai slijm, veranderde smaak, slikklachten, noodzaak van sondevoeding en het afsterven van botweefsel. Dergelijke bijwerkingen hebben ernstige invloed op de kwaliteit van leven van deze patiënten. Daarom is het voorkomen van deze door straling veroorzaakte bijwerkingen klinisch zeer relevant.

Bijdrage aan de KWF-missie
Door bijwerkingen van de bestraling van hoofd-halskanker beter te voorspellen en te voorkomen willen we bijdragen aan de KWF-missie om de kwaliteit van leven van patiënten en nabestaanden te verhogen.

Toegevoegde waarde oncologie
Het verwachte resultaat van dit project is dat een gebruiksvriendelijke decision-support tool beschikbaar komt voor hoofdhalspatiënten en artsen die automatisch beeldvorming, stralingsdosis en klinische informatie integreert in een interpreteerbaar en inzetbaar bijwerking risico profiel. Deze tool heeft grote toegevoegde waarde om patiënten beter te informeren over verwachte bijwerkingen, het behandelplan te kunnen optimaliseren en de meest geschikte bestralingstechniek te kunnen selecteren. Bovendien zorgt de tool ervoor dat de meest optimale doseringsverdeling wordt verkregen met het laagste risico op bijwerkingen. Dit zal uiteindelijk resulteren in minder bijwerkingen van hoofd-halskankerbehandeling en dus door minder bestralingsletsel een betere kwaliteit van leven voor patiënten tot gevolg hebben.

Wetenschappelijke achtergrond
Recentelijk is gewerkt aan de ontwikkeling van een uitgebreid individueel toxiciteitsrisicoprofiel (CITOR) op basis van een reeks gevalideerde multivariabele NTCP-modellen. Omdat deze modellen nog ruimte overlaten in de nauwkeurigheid van de voorspellingen, heeft het voorgestelde PRI2MA-project tot doel om de CITOR NTCP-modellen te verbeteren door de toepassing van artificiële intelligentie met de integratie van drie nieuwe componenten:

1. Patiënt-specifieke informatie uit multimodale beeldvorming;
2. Uitgebreide 3-dimensionale (3D) bestralingsgegevens;
3. Onderliggende interactie tussen hoofdhals bijwerkingen.

STUDIE ONTWERP

Aanpak
Het project omvat innovatieve benaderingen om de voorspellingen van de meest relevante bijwerkingen van de radiotherapie van hoofd-halskanker te verbeteren. Die bijwerkingen zijn droge mond, taai slijm, smaakverandering, aspiratie, het niet goed kunnen slikken, de afhankelijkheid van sondevoeding op 6 en 12 maanden en het afsterven van botweefsel op elk moment gedurende de eerste 3 jaar na behandeling. Hiertoe worden drie werkpakketten uitgevoerd, gericht op: het identificeren van biomarkers uit medische beelden (WP1), het ontwikkelen van artificiële intelligentie PRI2MA NTCP- modellen (WP2) en de ontwikkeling van een gebruiksvriendelijke en efficiënte tool die artsen en patiënten helpen bij het nemen van beslissingen omtrent behandelingsplan (WP3).

Samenwerking
Het onderzoek wordt primair uitgevoerd door het Universitair Medisch Centrum Groningen (UMCG, Groningen), in samenwerking met het MD Anderson Cancer Center (MDACC, Houston, VS) en het Nederlands Kanker Instituut (NKI, Amsterdam). Voor het onderzoek worden experts vanuit de radiotherapie, machine learning en NTCP-modellen bij elkaar gebracht. De uitgebreide database met gegevens van hoofd-halskankerpatiënten die behandeld zijn met radiotherapie van zowel UMCG als MDACC, vormt een belangrijke basis om het onderzoek mogelijk te maken.

Kennisverspreiding
Om brede toepassing van de resultaten te stimuleren, zullen de opgedane kennis, resultaten en software open toegankelijk worden verspreid. Dit betreft zowel publicaties in wetenschappelijke vakbladen als presentaties op (inter)nationale congressen voor onderzoekers en zorgprofessionals, alsook nieuwsbrieven of persberichten voor het algemeen publiek en patiënten.

Vervolgstappen
Na afloop van het project wordt in samenspraak met de patiëntvereniging bekeken hoe de tool optimaal ingezet kan worden om patiënten beter te informeren over verwachtte bijwerkingen en hoe hiermee om te gaan. Tevens zal een klinische studie worden opgezet om de klinische voordelen van de PRI2MA NTCP-modellen ten opzicht van bestaande modellen te onderzoeken. Tegelijkertijd wordt ingezet op de implementatie van de PRI2MA NTCP-modellen in (inter)nationale guidelines om breedschalige implementatie te bevorderen voor gepersonaliseerde behandeling en vroegtijdige  detectie en behandeling van bijwerkingen.