Endoscopic tissue time machine

Opis projektu

Endoskop do przewidywania postępu nowotworów głowy i szyi

Nowotwory głowy i szyi to grupa nowotworów złośliwych, które rozwijają się w błonach śluzowych jamy ustnej, gardła, nosa, gruczołów ślinowych oraz krtani. Podobnie jak w przypadku większości nowotworów wczesna diagnoza jest kluczowa dla możliwości leczenia. Jednak obecne techniki endoskopowe nie pozwalają wiarygodnie przewidywać, które zmiany przedrakowe przekształcą się w nowotwór, co utrudnia podjęcie odpowiednich działań. Aby temu zaradzić, w ramach finansowanego przez ERBN projektu EPIC planuje się opracowanie zminiaturyzowanej sondy światłowodowej, która będzie jednocześnie rejestrować w czasie rzeczywistym informacje molekularne, strukturalne i naczyniowe dotyczące tkanki. Platforma wykorzystuje model uczenia głębokiego do przewidywania progresji zmian przedrakowych w kierunku nowotworu. Technologia ta zostanie najpierw przetestowana na modelach zwierzęcych, a następnie w ramach długoterminowego badania z udziałem ludzi.

Cel

Head and neck cancers (HNC), which include malignancies of the oral cavity, tonsils, nasopharynx, and larynx, are life-threatening, particularly when diagnosed in advanced stages. Effective management requires early detection and continuous monitoring to enable earliest possible intervention of high-risk precancerous lesions. Unfortunately, current endoscopic techniques are limited in their ability to provide accurate predictions of disease trajectories.
The overarching goal of EPIC is to develop a new endoscopic technology to predict HNC tissue state trajectory with the fidelity needed to intervene in the present – an “endoscopic tissue time machine”. We will create a miniaturized 2.0 mm forward-viewing fibre-optic probe compatible with head and neck (H&N) endoscopes that integrates Raman spectroscopy (for molecular state), optical coherence tomography (for morphological state), and real-time optical vascular imaging (for microvascular state). This ground-breaking label-free platform technology will facilitate a synergistic integration of clinically relevant multi-modal endoscopic data, bridging different scales and modalities while putting endoscopic data in a clinical and biological context. We will develop an explainable deep learning model (an endoscopic time machine) to predict transition points in the progression from normal tissue to dysplasia and ultimately to cancer in an animal model. To address the unmet clinical need, we will conduct a longitudinal human observational study utilizing the endoscopic tissue time machine for real-time in vivo prediction of progression risk from dysplasia to cancer.
This project will integrate scientific and technological advances to offer new insights into the microenvironment of H&N carcinogenesis, enhance understanding of clinical diversity, and identify novel transition biomarkers for improved prognostics and timely interventions.