DEEPGRAFT: a deep learning infrastructure for biopsy pattern discovery and prognostication in renal transplantation

Toepassen van kunstmatige intelligentie om het risico op transplantatiegerelateerde ziekteprocessen beter te kunnen voorspellen. Daarnaast onderzoeken welke moleculaire signaalroutes actief zijn wanneer deze ziekteprocessen plaatsvinden. Uiteindelijk de zorg voor niertransplantatiepatiënten verbeteren.

Kolff Junior Postdoc Beurs

Een grote uitdaging bij niertransplantatie is het verbeteren van de functie van het transplantaat op de langetermijn en daarmee de patiëntoverleving. Op dit moment is een nierbiopt de gouden standaard voor het detecteren van specifieke ziekteprocessen. Verschillende pathologen dienen het nierweefsel op dezelfde manier te beoordelen, maar helaas zijn parameters in het huidige classificatiesysteem niet goed reproduceerbaar. Zelfs niet bij het gebruik van versimpelde parameters of wanneer pathologen visuele feedbacktraining hebben gevolgd. Er bestaan al wiskundige modellen (algoritmen) voor het voorspellen van transplantaatfalen, maar deze modellen hebben weinig voorspellende waarde. De voornaamste oorzaak is het feit dat de nierfunctie niet in de modellen is opgenomen. Nieuwe technieken zijn dus noodzakelijk.

Kunstmatige intelligentie is een onderzoeksveld dat de laatste jaren veel nieuwe ontwikkelingen heeft doorgemaakt. Kunstmatige intelligentie onderzoekt computer-geprogrammeerde machines (wiskundige formules, robots), die worden getraind om zo accuraat mogelijk op hun omgeving te reageren en daarmee de kans op het bereiken van bepaald einddoel te vergroten. De groep van diepe neurale netwerken (DNN), waarvan diepe convolutionele neurale netwerken (DCNN) in het bijzonder, hebben de laatste jaren veel aan populariteit gewonnen. Deze formules zijn met name geschikt om afbeeldingen te analyseren.

In het project DEEPGRAFT zullen onderzoekers klinische data en weefseldata met behulp van kunstmatige intelligentie combineren. De verwachting is dat kunstmatige intelligentie bijdraagt aan een betere voorspelling van transplantaat- en patiëntgerelateerde uitkomsten en daarmee de zorg voor transplantatiepatiënten kan verbeteren.

Doelstellingen:
1. Onderzoeken in welke mate onderlinge variatie in de beoordeling van nierbiopten door pathologen bijdraagt aan de variatie in het voorspellen van transplantaatfalen en patiëntgerelateerde uitkomsten. Vergelijking van dit conventionele beoordelingsmodel met een model gebaseerd op kunstmatige intelligentie.
2. Verbeteren van de voorspellende waarde van het model door klinische data en nierfunctiemetingen toe te voegen.
3. Valideren van het geïntegreerde klinisch-pathologisch DEEPGRAFT voorspellingsmodel dat in staat zal zijn om meerdere transplantaat- en patiëntgerelateerde uitkomsten tegelijkertijd te voorspellen.
4. Onderzoeken welke signaalmoleculen geassocieerd zijn met de gevonden risicogroepen met behulp van massaspectrometrie (methode om eiwitten te analyseren).

Soort: Menselijk materiaal; fundamenteel/toegepast, niet-klinisch
Onderwerp: Kunstmatige intelligentie, transplantatie, pathologie, diepe neurale netwerken, nierbiopten