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

De moeilijkheid in het detecteren en/of karakteriseren van minder vaak voorkomende borstkanker-subtypes op basis van medische beelden is al lang bekend. De combinatie van ontwikkelingen in x-ray beeldvorming en artificiële intelligentie (AI) openen nieuwe mogelijkheden voor dit probleem. Dit project zal focussen op de bouw en validatie van een gecombineerde deep learning - radiomics oplossing voor contrast enhanced mammography (CEM). Deze nieuwe tool zal hulp bieden bij het beslissen over detectie en karakterisering gebruik makend van kwantitatieve patronen die zijn ontdekt door CEM. Het grote aantal beelden dat nodig is voor het trainen van AI modellen is een uitdaging, zeker voor een nieuwe techniek waarbij uitgebreide klinische onderzoeken ontbreken. Onze hypothese is dat deze data-armoede verholpen kan worden door synthetische, virtuele gevallen te creëren, waaronder in het bijzonder complexe en minder vaak voorkomende kanker-subtypes. Deze techniek van 'In Silico Clinical Trials' zal gebruikt worden voor de ontwikkeling en validatie van AI modellen. Tegelijkertijd zullen eReaders worden afgestemd om menselijke prestaties te voorspellen. Dit maakt een tijdsefficiënte validatie van de AI modellen mogelijk voor verschillende testomstandigheden en zal tonen waar AI de grootste impact heeft betreffende kostenefficiëntie. Dit kan bewijs leveren voor de rol van CEM bij het radiologische onderzoek en de inhoud van kankerinformatie verhogen.