Terug naar het overzicht

DIAGGRAFT: leveraging artificial intelligence technology for accurate quantitative histological diagnostic assessment of transplant renal biopsies

Projectcode 21OK+012 Projectleider Dr Jeroen van der Laak PhD Projecttype Kolff+ Organisatie Radboudumc, Afd. Pathologie Toegekend bedrag € 435 000,00 Startdatum 1-03-2022 Looptijd 48 maanden Status Lopend

Doel

Het verbeteren van de beoordeling van nierbiopten bij patiënten met een donornier.

Samenvatting

Afstoting vormt een belangrijk probleem voor patiënten met een donornier. Vroegtijdige vaststelling van een mogelijke afstoting is essentieel, en de meest betrouwbare methode om dit te doen is via een nierbiopsie. Bij een nierbiopsie wordt er met een naald een klein stukje nierweefsel ter grootte van een halve lucifer weggehaald voor onderzoek. Dit stukje weefsel (biopt) wordt beoordeeld onder de microscoop door een patholoog, aan de hand van de Banff-classificatie: een internationaal scoringssysteem waarbij een aantal items wordt beoordeeld, zoals de mate van verlittekening van de nier en het beoordelen van de aanwezigheid, locatie en hoeveelheid ontstekingscellen. Het Banff classificatie-systeem is echter niet goed reproduceerbaar en kan, in zijn huidige vorm, niet goed voorspellen of er op lange termijn risico is op afstoting van de donornier. De patholoog bepaalt ook welk type afstoting er plaatsvindt. Dit is belangrijke informatie bij het kiezen van de juiste behandeling, waarmee de kans wordt vergroot om de donornier te kunnen behouden.

De onderzoekers willen in DIAGGRAFT door het gebruik van kunstmatige intelligentie (AI) de beoordeling van nierbiopten verbeteren. Het doel van DIAGGRAFT is om een computeralgoritme te ontwikkelen dat meerdere items van de Banff-classificatie nauwkeurig en reproduceerbaar automatisch kan beoordelen, zodat de zorg voor transplantatiepatiënten kan worden verbeterd.

DIAGGRAFT bestaat uit 3 deelprojecten.
Omdat we computersoftware willen ontwikkelen die een biopt betrouwbaar kan analyseren, onafhankelijk van in welk ziekenhuis, land of zelfs werelddeel het biopt verkregen of bewerkt werd, zullen we in fase één 100 nierbiopten van Radboudumc laten bewerken en digitaliseren in ziekenhuizen in verschillende landen. Deze biopten worden vervolgens in Radboudumc nog extra bewerkt, om betrouwbaar de aanwezige ontstekingscellen te kunnen herkennen. De digitale beelden met de door de computer herkende ontstekingscellen dienen als voorbeeld om vervolgens het computeralgoritme in fase 2 te ontwikkelen.

In fase 2 vindt de ontwikkeling van het computeralgoritme plaats. We maken hierbij gebruik van ‘crowdsourcing’, een model van ontwikkeling van kunstmatige intelligentie dat in het verleden uitstekende resultaten heeft opgeleverd. In een zogenaamde ‘grand challenge’ worden onderzoekers wereldwijd uitgedaagd om met een goede oplossing te komen voor ons probleem; Met deze opzet wordt er op grote schaal, met meerdere AI-experts, toegewerkt naar de ontwikkeling van het best functionerende computeralgoritme. De voorbeelden uit fase 1 worden beschikbaar gesteld op een website (grand-challenge.org). Zij kunnen met behulp van deze data een algoritme op basis van kunstmatige intelligentie trainen, dat ontstekingscellen in nierbiopten kan herkennen.

In fase 3 zal het computeralgoritme uit fase 2 getoetst worden. Hierbij worden 300 nierbiopten, afkomstig uit 6 ziekenhuizen, beoordeeld door meerdere internationale pathologen. Biopten worden e´e´n keer met, en e´e´n keer zonder hulp van het computermodel beoordeeld door de pathologen. De resultaten worden vergeleken om te kijken of de beoordeling verbetert met behulp van het ontwikkelde computeralgoritme.
Doelstellingen:
1. Ontwikkelen van een computeralgoritme dat meerdere items van de Banff-classificatie nauwkeurig en reproduceerbaar kan beoordelen.
2. Valideren van het computeralgoritme op een ruime hoeveelheid nierbiopten afkomstig uit internationale ziekenhuizen.
3. Evalueren van de prognostische waarde van meerdere items van de Banff-classificatie aan de hand van de beoordeling middels het computeralgoritme.

Trefwoorden

identificatie, validatie in modelsystemen, menselijk materiaal, nierbiopten, Banff Classificatie, computeralgoritme, transplantatie, afstoting, ontstekingscellen, niertransplantaat-diagnostiek, artificial intelligence (AI), kunstmatige intelligentie, pathologie