Preklinische ontwikkeling van een 3D Bili-MRI reconstructietool en een kunstmatige intelligentie-algoritme om endoscopisten te assisteren bij het uitvoeren van endoscopische retrograde cholangiopancreatografie (ERCP) (MAAGIE)

ERCP is een complexe interventionele endoscopische procedure die gebaseerd is op 2D-visualisatie van de galwegen. 3D-modellering en AI zijn veelbelovende oplossingen om de navigatie en veiligheid tijdens ERCP te verbeteren.

Het MAAGIE-project is ontworpen om een van deze innovatieve oplossingen te creëren en ontving in 2024 financiering van de ANR. Het omvat verschillende werkpakketten, waaronder het eerste WP dat bestaat uit het creëren van een database van beeldvormingsgegevens van de galwegen die al tijdens de klinische zorg zijn verzameld.

Het hoofddoel van onze studie zal zijn om een tool te ontwikkelen en valideren die 3D-modellering van de galwegen mogelijk maakt op basis van preoperatieve MRCP- en abdominale CT-scan sequenties, waardoor een betere visualisatie en begrip van de galanatomie van patiënten vóór en tijdens ERCP mogelijk wordt.

Dit is een bicentrische retrospectieve studie gebaseerd op beeldvormingsgegevens die tijdens routinematige zorg zijn verzameld. Patiënten werden gevolgd als onderdeel van het gebruikelijke zorgtraject voor personen die ERCP ondergingen in de endoscopie-eenheden van het Saint Antoine-ziekenhuis of het Henri Mondor-ziekenhuis voor een galwegprobleem gerelateerd aan een galwegstrictuur (goedaardig of kwaadaardig). Het onderzoek verandert de patiëntenzorg op geen enkele wijze.

De eerste stap zal bestaan uit het identificeren van alle patiënten die ERCP ondergingen in de endoscopie-eenheden van het Saint Antoine-ziekenhuis of het Mondor-ziekenhuis voor een galwegprobleem gerelateerd aan een galwegstrictuur (goedaardig of kwaadaardig) en die zowel een MRCP als een abdominale CT-scan ondergingen in de beeldvormingsafdelingen van dezelfde ziekenhuizen, van 2020 tot eind 2025.

Na verificatie van de inclusiecriteria zal een specifieke informatiebrief over deze studie naar hen worden gestuurd. Als binnen een maand geen reactie wordt ontvangen, mogen de verzamelde gegevens worden hergebruikt voor onderzoeksdoeleinden.

De verzamelde beeldvormingsgegevens zullen de ontwikkeling en validatie ondersteunen van 3D-reconstructie-/registratiesoftware (3D-modellering van de galwegen met behulp van wiskundige algoritmen voor medische beeldvorming en kunstmatige intelligentienetwerken toegepast op de verkregen beelden).

Gepseudonimiseerde gegevens worden gecentraliseerd onder toezicht van prof. Camus op een beveiligde AP-HP-server, met een correspondentietabel die is aangemaakt voor follow-up, alleen toegankelijk voor prof. Camus. Aan het einde van de studie worden de gegevens veilig overgedragen aan de partners voor analyse en toolontwikkeling. Alle gegevensoverdrachten worden uitgevoerd met behulp van veilige, versleutelde externe opslagapparaten volgens de procedures van de lokale AP-HP IT-afdeling.

Het datavolume wordt bepaald op basis van beeldverwerkingscapaciteit en technologische ontwikkelingsdoelen. Een dataset van 100 patiënten biedt voldoende anatomische variabiliteit om AI-modellen te trainen en te testen.

Er is geen inferentiële statistische analyse gepland. De prestaties van de tool worden geëvalueerd met behulp van beeldkwaliteitsmetrieken (DSC, IoU) en localisatiefoutindicatoren voor de algoritmen. Ten slotte zullen uitwisselingen met projectpartners de ontwikkeling en validatie van de 3D-reconstructietool ondersteunen. De analyse wordt uitgevoerd door de partnerteams van LIP6 en ISIR.