Ontwikkeling van AI-ondersteunde differentiatie van infiltratief weefsel bij glioblastoom met behulp van multimodale beeldvorming en moleculaire profilering

Glioblastomen zijn zeer agressieve primaire hersentumoren die momenteel ongeneeslijk zijn. Een groot probleem is dat deze tumoren na behandeling vrijwel altijd terugkomen, omdat kankercellen in het omliggende hersenweefsel binnendringen. Dit geïnfiltreerde weefsel is momenteel niet te onderscheiden van gezond weefsel met huidige beeldvormingstechnieken. In dit project willen we een nieuwe strategie ontwikkelen om deze geïnfiltreerde tumorgebieden beter te detecteren met behulp van geavanceerde beeldvormingstechnieken en kunstmatige intelligentie. Om dit te bereiken zullen we MRI en PET-scans combineren met machine learning-algoritmen, om specifieke regio's in de hersenen te identificeren waar tumorcellen zich mogelijk hebben verspreid maar nog niet zichtbaar zijn met standaardmethoden. Tijdens operaties zullen we dan kleine stukjes weefsel uit deze gebieden nemen voor gedetailleerde analyse. Met geavanceerde laboratoriumtechnieken kunnen we dan precies zien welke cellen aanwezig zijn, zoals kankercellen en immuuncellen, en hoe ze zich gedragen. Deze informatie zullen we vervolgens combineren met de beeldgegevens om een AI algoritme te creëren, die artsen in staat zal stellen om geïnfiltreerde tumorweefsels te onderscheiden van andere soorten weefsel, zoals vochtophopingen of ontstekingsgebieden. Met deze benadering hopen we chirurgen te voorzien van nauwkeurigere informatie, zodat ze meer tumorweefsel kunnen verwijderen zonder gezond hersenweefsel te beschadigen. Door maximaal tumorweefsel te verwijderen en gezond weefsel te sparen, wordt de kans op achterblijvende kankercellen die tot terugkeer van de tumor kunnen leiden, verminderd. Dit kan de tijd tot een mogelijke terugkeer van de ziekte verlengen en de algehele overleving verhogen, terwijl neurologische functies behouden blijven voor een betere levenskwaliteit van patiënten met glioblastomen.