Radiomics is het proces waarbij standaard medische beelden (CR-, PET- en MRI-scans) worden verwerkt tot grote hoeveelheden kwantitatieve data die kunnen worden gebruikt ter ondersteuning van medische beslissingen. Het Belgische bedrijf Radiomics is een toonaangevende pionier op dit gebied. CEO dr. Wim Vos: “Wij doen buiten onze commerciële activiteit veel onderzoek in Europese consortia, ook met Nederlandse partners. Dit snel groeiende onderzoeksveld zal een steeds grotere rol gaan spelen in de gepersonaliseerde geneeskunde, met name ook bij longziekten.”
De in Tongeren geboren Wim Vos maakte na een studie lucht- en ruimtevaarttechniek in Delft de overstap naar medische technologie. Na een project in Belfast over nasale luchtwegstromen kwam hij tijdens zijn masterstudie in Delft in contact met een Antwerpse hoogleraar longziekten die een bedrijfje wilde starten gericht op het met 3D-beelden simuleren van de luchtstromen in longen van patiënten. En zo werd Vos medeoprichter van Fluidda én promotieonderzoeker. In 2019 werd hij benaderd door een recruiter met de vraag of hij CEO wilde worden van het Luikse Radiomics. Dit contract-researchbedrijf voor imaging was opgericht door radiotherapeut-oncoloog Philippe Lambin, een hoogleraar radiotherapie in het Maastricht UMC+. Deze had in 2012 de term ‘radiomics’ gemunt: tumorfenotypering middels niet-invasieve imaging, gebruikmakend van speciale software die méér uit scans haalt dan het blote oog kan zien.1
Beeldvorming
“Inmiddels zijn er minstens 66 bedrijven bezig met radiomics,” vertelt Vos. “Niet alleen start-ups, ook grote biotechnologiebedrijven. Ons streven is om zo lang mogelijk zelfstandig te blijven. Hoewel voortgekomen uit de wens om de biologische verschillen tussen tumoren te identificeren, kan radiomics in feite worden ingezet bij elke aandoening waar beeldvorming een rol speelt.” Uitgangspunt is dat geautomatiseerde, kwantitatieve computeranalyse van radiologische scans, te weten computertomografie (CT), ‘single-photon emission’ CT (SPECT), positronenemissietomografie (PET) en magnetische resonantie-imaging (MRI) snel en betrouwbaar inzicht kan geven in de aard, prognose en klinische respons van allerlei ziekten. “Dergelijke analyses kunnen dus zeer nuttig zijn bij het opstellen van behandelplannen. Binnen de pathologie worden trouwens vergelijkbare algoritmes ingezet voor analyse van microscopische beelden, maar die laten we buiten beschouwing. Onze belangrijkste klanten zijn farmaceutische bedrijven die we ondersteunen met hun klinisch georiënteerde ontwikkelingstrajecten. Overigens passen veel van deze bedrijven ook beeldvorming toe bij kleine proefdieren; beelddata van de mini-scanners worden dan na opoffering van de dieren vergeleken met de histologie.”
Companion diagnostics
De eerste stap bij radiomics is het afbakenen van de te bestuderen weefselzones. Deze segmentatiestap kan met de hand worden uitgevoerd, soms ook (semi)automatisch. Vos: “Het is bepalend voor alle daaropvolgende analyses en daarom dient iemand met radiologische expertise altijd te checken of de segmentatie van het aangedane weefsel op een correcte manier is uitgevoerd.” Vervolgens worden oppervlakte, volume en vorm van het gesegmenteerde gebied bepaald, alsmede de intensiteit, wavelet en textuur van grijswaarden. “Verder beschikken we over een batterij aan eindpunten om zo’n zone in de tijd te vervolgen, waarbij bijvoorbeeld elke zes weken scans worden gemaakt. Een combinatie van parameters moet dan uiteindelijk een betrouwbare voorspelling geven of een bepaalde medicatie werkzaam zal zijn.”
In een studie geïnitieerd vanuit het Maastricht UMC+, in samenwerking met teams elders in Nederland en in de VS, zijn met radiomics van individuele longtumoren de unieke kenmerken in kaart gebracht. Een subset van vier kenmerken bleek sterk gecorreleerd met tumorheterogeniteit, agressieve groei en kortere overleving. Bovendien bleek deze ‘radiomics-signatuur’ van toepassing op agressieve hoofd-halstumoren.2 “Ook bleek het mogelijk om op basis van radiomics de klassieke biopsie te evenaren als het gaat om onderscheid tussen HPV-positieve en -negatieve orofarynxcarcinomen”,3 weet Vos. “Radiologen meten op hun scans altijd de grootste tumordoorsnede bij maximaal twee tumoren per orgaan en bij maximaal vijf organen. Dat is een vrij onnauwkeurige maat als je therapeutische effecten wilt vaststellen. Door radiomics te combineren met ‘machine learning’-algoritmes, zelflerende programma’s die gebruikmaken van grote datasets, kan deze diagnostiek verder worden verfijnd en uiteindelijk worden ingezet als ‘companion diagnostics’ voor doelgerichte geneesmiddelen.”
Standaardisatie
Vos geeft toe dat er aan radiomics diverse uitdagingen kleven. “Kijkend naar de parameters die wij berekenen: de parameter ‘grootte’ is, willekeurig welk type scanner men gebruikt, tamelijk stabiel, maar ‘vorm’ vereist voldoende resolutie en ‘samenstelling’ zeer constante reconstructie-settings – ‘zachte’ en ‘harde’ settings van CT-scanners leveren totaal andere grijswaarden op. Wil je echt naar voorspellende waarden en betrouwbare monitoring, dan is het cruciaal dat scanner-settings op een vergelijkbare manier worden afgesteld. Sinds de toename van interstitiële longziekten wordt daar binnen de respiratoire geneeskunde al meer aandacht aan besteed, maar binnen de oncologie is de variatie nog te groot; de daar gebruikte RESIST-score is immers vooral gebaseerd op tumorgrootte. Toch denk ik dat de hele sector zich in toenemende mate bewust wordt van de noodzaak tot standaardisering. Dat laat onverlet dat historische data een uitdaging blijven. We hebben retrospectief gezien dat 80-90% van de radiologische scans suboptimaal zijn. Voor prospectieve studies is het gewoon een kwestie van het introduceren van een gestandaardiseerd protocol en werken met kleinere datasets van hogere kwaliteit, zodat je zo veel gemakkelijker betrouwbare signalen krijgt. Veel concurrerende bedrijven gaan voor de analyse van big data, maar het wordt lastig om daarin een signaal te meten, want veel data levert ook veel ruis op.”
Bescherming van gegevens
Zullen radiologen door de automatisering en AI minder werk krijgen? Vos is overtuigd van de meerwaarde van hun expertise. “Ik denk dat een volledig ‘deep-learning black box’-benadering geen toekomst heeft: de interactie tussen mens en machine zal essentieel blijven voor het succes van AI. Het menselijk oog zal op bepaalde punten net iets gemakkelijker een bepaald signaal oppikken dan een machine, en zeker als men werkt met grote datasets is de kans groot dat de machine signalen registreert die in feite ruis zijn, dus vals-positief. Als het gaat om behandelbeslissingen zal een volledige black box-benadering waarschijnlijk nooit de goedkeuring krijgen van medisch-ethische commissies.”
Een belangrijk aspect van radiomics is uitwisseling van gegevens. “We werken aan een oplossing die we nog steeds blijven verbeteren: gedecentraliseerde datatoegang. Patiënten vinden de bescherming van hun gegevens belangrijk en daarom zouden alle data binnen de muren van ziekenhuizen moeten blijven. Het probleem is dat de Europese General Data Protection Regulation niet verbiedt dat die data worden verhandeld – ziekenhuizen kunnen er dus veel geld mee verdienen. Ik snap dat Europa de privacy wil waarborgen, maar er is nog geen waterdicht systeem.”
Als meerwaarde van radiomics ziet Vos vooral dat een snelle evaluatie van behandeleffectiviteit het mogelijk maakt dat een patiënt eventueel vlot kan overschakelen op een andere therapie.4 “Je kunt je voorstellen dat een zorgverzekeraar de eerste drie maanden betaalt en er dan op basis van een scan wordt nagegaan of de therapie aanslaat. Een reden waarom radiomics juist nu interessant wordt, is dat nieuwe therapieën vaak extreem duur zijn. Tot voor kort kostte bijvoorbeeld COPD-medicatie vrijwel niets, maar tegenwoordig kan dat oplopen tot bijna twee miljoen euro per behandeling.
COVID-19-diagnostiek
DRAGON is een driejarig project van het Innovative Medicines Initiative-2 dat 1 oktober 2020 van start ging. Het wordt gecoördineerd door Radiomics en de Universiteit van Maastricht en ondersteund door diverse bedrijven, academische instellingen, de patiëntenorganisatie European Lung Foundation en de beroepsvereniging European Respiratory Society. De primaire ambitie is middels AI-algoritmes voor imaging (zoals CT-scans) de diagnostiek van COVID-19 en andere infectieziekten te verfijnen, alsook hun verloop beter te voorspellen, om zo de ontwikkeling van nieuwe behandelingen te versnellen. Een belangrijk aspect is de gedecentraliseerde data-toegang. Vos: “Een ‘distributed machine learning system’ moet het mogelijk maken big data efficiënter te delen en analyseren, zodat men in de toekomst beter voorbereid zal zijn op de aanpak van nieuwe uitbraken. Ook worden instrumenten ontwikkeld die de besluitvorming ondersteunen van behandelaars en hun patiënten. De verwachting is dat ‘empowerment’ van individuele patiënten zal leiden tot betere uitkomsten.
Bronnen:
- Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analyses. Eur J Cancer. 2012:48:441-6.
- Aerts HJWL, Rios Velazquez E, Leijenaar RTH, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature Commun. 2014;5:4006.
- Leijenaar RTH, Bogowicz M, Jochems A, et al. Development and validation of a radiomic signature to predict HPV (p16) status from standard CT imaging: a multicenter study. Br J Radiol. 2018;91:20170498.
- Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nature Rev Clin Oncol. 2017;14:749-62.