Voorspellen van radiologische extranodale uitbreiding bij orofarynxcarcinoompatiënten met behulp van AI (AI4rENE)

Orofarynx plaveiselcelcarcinoom (OPSCC) is een zeldzame vorm van kanker (incidentie ~700 per jaar in Nederland), die ontstaat in het midden van de keel. Bij OPSCC is de knooppuntstatus een belangrijke prognostische factor voor overleving. In het klinische TNM-systeem (tumorknoopmetastasen) wordt de status van de knooppunten voornamelijk bepaald door de grootte, het aantal en de lateraliteit van de knooppuntenmetastasen. Bij operatief behandelde patiënten omvat de pathologische TNM-classificatie de aanwezigheid van pathologische extranodale extensie (pENE). pENE is een voorspeller voor een slechte uitkomst en tevens een indicatie voor de toevoeging van chemotherapie aan postoperatieve bestraling. De meeste patiënten met OPSCC worden echter niet-chirurgisch behandeld door middel van bestraling of chemoradiatie, waardoor informatie over pENE ontbreekt. Onlangs is extranodale uitbreiding van diagnostische beeldvorming in verband gebracht met de prognose bij OPSCC-patiënten. Er wordt verwacht dat radiologische ENE (rENE) in de nabije toekomst kan worden opgenomen in het cTNM-classificatiesysteem voor verfijning van de uitkomstvoorspelling bij patiënten met klierziekte. De diagnose van rENE op radiologische beeldvorming is nieuw en niet triviaal en we veronderstellen dat kunstmatige intelligentie (AI) de radioloog kan ondersteunen bij het detecteren van rENE. In deze studie willen we een model ontwikkelen en valideren dat rENE voorspelt op basis van radiologische beeldvorming met behulp van geannoteerde/gelabelde scans door middel van deep learning.