KIA-Korekt: Gefaseerde unimodale-naar-multimodale AI-evaluatie voor perioperatieve risicovoorspelling bij colorectale kanker (KIA-Korekt)

Colorectale kanker (CRC) is een van de meest voorkomende kwaadaardige gezwellen wereldwijd. Ondanks vooruitgang in chirurgische techniek en perioperatieve zorg komen kortetermijn postoperatieve complicaties nog steeds frequent voor en hebben ze een aanzienlijke impact op de levenskwaliteit van patiënten, zorgkosten en de langetermijnprognose. Deze complicaties omvatten anastomoselekkage, wondinfectie, sepsis, trombo-embolische gebeurtenissen en ziekenhuismortaliteit. Bestaande klinische risicoscores (ASA, POSSUM) bieden slechts beperkte geïndividualiseerde risicostratificatie en nemen geen beeldvormingsafgeleide biologische markers op.

De KIA-Korekt studie adresseert deze kloof door AI-gebaseerde voorspellende modellen voor perioperatieve complicaties bij CRC te ontwikkelen en valideren, waarbij drie complementaire beeldvormingsmodaliteiten worden geïntegreerd:

Digitale histopathologie: Hematoxyline-eosine gekleurde volledige-preparaat beelden (H&E-WSI's) van chirurgische resectiepreparaten en preoperatieve biopten worden geanalyseerd met behulp van attention-based multiple instance learning (MIL) en convolutionele neurale netwerken (CNN's), voortbouwend op gevestigde pijplijnen van de afdeling Computationele Pathologie, TU Dresden (AG Kather).

Radiologie: Preoperatieve CT- en MRI-beelden worden verwerkt met behulp van geautomatiseerde segmentatie (TotalSegmentator, nnU-Net) en radiomics-feature extractie (PyRadiomics). Features worden afgeleid van de primaire tumor, de psoasspier (sarcopenie) en viscerale/subcutane vetcompartimenten. Een toegewijde multimetrieke kwaliteitscontrolepijplijn zorgt voor stabiele beeldvormingsdatarepresentaties over verschillende scanners en acquisitieprotocollen.

Multiplex weefselbeeldvorming (mTI): Multiplex immunohistochemie met multispectrale beeldvorming (mIHC-MSI) en imaging mass cytometry (IMC) worden toegepast op formaline-gefixeerd paraffine-ingebed tumorweefsel om immuun- en stromale celpopulaties, marker-expressie-intensiteiten en ruimtelijke distributiepatronen binnen de tumormicro-omgeving te karakteriseren.

Unimodale modellen worden afzonderlijk ontwikkeld en gevalideerd voor elke modaliteit. Multimodale integratie wordt uitgevoerd met behulp van feature-level fusie, late fusie en multimodale multiple-instance learning met cross-attention mechanismen. Modelprestaties worden geëvalueerd met behulp van AUC-ROC, calibratieplots, Brier-scores en Decision Curve Analysis. Interpretatie wordt beoordeeld met behulp van SHAP-waarden en attention heatmaps.

De studie hanteert een gemengd retrospectief (n=750, 2011-2021) en prospectief validatie (n=210, 2026-2028) cohortontwerp. Het retrospectieve cohort vormt de basis voor modelontwikkeling en interne kruisvalidatie; het prospectieve cohort maakt externe validatie in de praktijk onder klinische omstandigheden mogelijk.

Een uitgebreide patiëntniveau macro-micro correlatieanalyse onderzoekt associaties tussen radiologische beeldvormingsfenotypes en microscopische histopathologische en immunologische kenmerken afgeleid van dezelfde tumoren, wat unieke integrerende biologische inzichten mogelijk maakt.

De studie wordt gefinancierd door de Europese Unie en de deelstaat Brandenburg (HealthTranslateBB/ERDF) en de Duitse onderzoeksstichting (DFG). Ethische goedkeuring is verleend door de ethische commissie van de Brandenburg Medical School Theodor Fontane. Alle prospectieve deelnemers geven schriftelijke geïnformeerde toestemming. Retrospectieve gegevens worden verwerkt in gepseudonimiseerde vorm in overeenstemming met de AVG.

Resultaten zullen worden verspreid via peer-reviewed open-access publicaties en nationale en internationale conferentiepresentaties.