Een AI-platform dat beeldgegevens en -modellen integreert en precisiezorg ondersteunt via het continuüm van prostaatkanker

In Europa is prostaatkanker (PCa) de tweede meest voorkomende vorm van kanker bij mannen en de derde meest dodelijke. De huidige klinische praktijk, die vaak leidt tot overdiagnose en overbehandeling van indolente tumoren, lijdt aan een gebrek aan precisie, waardoor geavanceerde AI-modellen verder moeten gaan dan SoA door niet-intuïtieve medische beeldpatronen van hoog niveau te ontcijferen en de prestaties te verbeteren bij het onderscheiden van indolente van agressieve ziekte, vroege voorspelling van recidief en opsporing van metastasen of voorspelling van effectiviteit van therapieën. Tot op heden zijn de inspanningen gefragmenteerd, gebaseerd op datasets met een beperkte omvang en leveranciersspecifieke datasets van één enkele instelling, terwijl beschikbare openbare PCa-datasets (bijv. US TCIA) zijn slechts enkele honderden gevallen waardoor generaliseerbaarheid van het model onmogelijk is.

Het ProCAncer-I-project brengt 20 partners samen, waaronder PCa-referentiecentra, wereldleiders op het gebied van AI en innovatieve kmo's, met erkende expertise in hun respectieve domeinen, met als doel het ontwerpen, ontwikkelen en onderhouden van een op de cloud gebaseerde, veilige Europese beeldinfrastructuur met tools en services voor gegevensverwerking. Het platform herbergt de grootste verzameling PCa multi-parametrische (mp)MRI, geanonimiseerde beeldgegevens wereldwijd (>17.000 gevallen), gebaseerd op gegevensdonorschap, in overeenstemming met de EU-wetgeving (GDPR). Er worden robuuste AI-modellen ontwikkeld, gebaseerd op nieuwe ensemble-leermethodologieën, die leiden tot leverancierspecifieke en neutrale AI-modellen voor het aanpakken van 8 klinische PCa-scenario's.

Om de klinische vertaling van PCa AI-modellen te versnellen, richten we ons op het verbeteren van het vertrouwen van de oplossingen met betrekking tot eerlijkheid, veiligheid, verklaarbaarheid en reproduceerbaarheid. Metrieken om de modelprestaties te monitoren en een causale verklaarbaarheidsfunctionaliteit zijn ontwikkeld om het klinische vertrouwen verder te vergroten en informatie te geven over mogelijke mislukkingen en fouten. Er wordt een stappenplan voor certificering van AI-modellen gedefinieerd, in interactie met regelgevende instanties, en zo wordt bijgedragen aan een Europese regelgevende routekaart voor het valideren van de effectiviteit van op AI gebaseerde modellen voor klinische besluitvorming.