Implementatie van een geoptimaliseerd AI-model voor het ontdekken en monitoren van osteolytische botletsels

Tijdens het project in We Care Ronde 1 is een deep learning-model ontwikkeld voor detectie en segmentatie van osteolytische laesies in CT-scans.  Deze letsels zijn kenmerkend voor multipel myeloom (ziekte van Kahler). De resultaten van dit eerste kleinschalige project waren voldoende motiverend om verdere optimalisatie van deze Artificiële Intelligentie (AI)-tool te onderzoeken.

In het vervolgproject wordt dit model verder ontwikkeld met geavanceerdere en efficiëntere algoritmen en aanvullende CT-datasets. Door automatische segmentatie en identificatie van het skelet toe te passen , willen de onderzoekers een gedetailleerde anatomische kaart maken van de locaties van de letsels. Daarnaast wordt een geautomatiseerde registratietool ontwikkeld om letsels op vervolgscans te monitoren. Dit zou de evaluatie van de behandeling van patiënten met de ziekte van Kahler mogelijk maken.

Het verbeterde model moet daarna worden gevalideerd en geïntegreerd in het werkproces van het ziekenhuis. Radiologen en arts-assistenten worden betrokken bij de evaluatie van het algoritme. Deep-learning algoritmes  kunnen leiden tot valse detecties  en moeten daarom leren van experts. Daarom zullen we een hybride Arts-AI-framework ontwikkelen om het algoritme te laten leren van correcties door de radiologen.

 De onderzoekers
Maarten Heres Ong  
Maarten Heres Sharon Ong Gorkem Saygili