Skip to main content
Un sito ufficiale dell’Unione europeaUn sito ufficiale dell’UE
European Commission logo
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS
CORDIS Web 30th anniversary CORDIS Web 30th anniversary

Deep Learning for Automated Quantification of Radiographic Tumor Phenotypes

Descrizione del progetto

Radiologia oncologica ad apprendimento profondo per prevedere la risposta all’immunoterapia

L’apprendimento profondo è parte di una più ampia famiglia di metodi di apprendimento automatico basati sull’intelligenza artificiale. Nell’ambito della radiologia oncologica, tale metodo permette di caratterizzare il fenotipo radiomico dell’intero tumore in maniera non invasiva. Sebbene tramite prove di principio siano state stabilite associazioni tra i dati radiomici e la risposta al trattamento, sono necessarie ulteriori indagini sul valore clinico dei dati radiomici. Il progetto CANCER-RADIOMICS, finanziato dall’UE, analizzerà dati clinici multicentrici, comprese immaginografie non invasive, risultati clinici ed estese caratterizzazioni biologiche di pazienti affetti da cancro ai polmoni o da melanoma. L’obiettivo del progetto è sviluppare biomarcatori radiomici ad apprendimento profondo per prevedere la risposta al trattamento in base all’analisi delle immaginografie. Inoltre, esso tenterà di comprendere se la radiomica possa produrre migliori previsioni della risposta al trattamento e coadiuvare la selezione dei pazienti per le terapie oncologiche.

Obiettivo

Artificial Intelligence (AI), deep-learning in particular, is propelling the field of radiology forward at a rapid pace. In oncology, AI can characterize the radiomic phenotype of the entire tumor and provide a non-invasive window into the internal growth patterns of a cancer lesion. This is especially important for patients treated with immunotherapy as, despite the remarkable success of these novel therapies, the clinical benefit remains limited to a subset. As immunotherapy is expensive and could bring unnecessary toxicity there is a direct need to identify beneficial patients, but this remains difficult in clinical practice today. Radiomic biomarkers could address this, as, unlike biopsies that only represent a sample within the tumor, radiomics can depict a full picture of each cancer lesion with a single non-invasive examination. Previous work found significant connections between radiomic data, molecular pathways, and clinical outcomes. However, a direct link between radiomics and immunotherapy response has not yet been established. This project will address this problem by analyzing unique multicentre clinical data, including non-invasive imaging, clinical outcomes, and extensive biologic characterization of patients with lung or melanoma cancer. Specifically, I will develop deep-learning radiomic biomarkers to predict immunotherapy response using baseline (WP1) and follow-up imaging (WP2). I will also investigate if radiomics can characterize underlying biological factors, and, in turn, can be used to improve response predictions (WP3). Successful completion of this proposal will demonstrate the potential of radiomics to help physicians in selecting patients who will likely benefit from immunotherapy, while sparing this expensive and potentially toxic treatment for patients who don't. This work has implications for the use of imaging-based biomarkers in the clinic, as they can be applied noninvasively, repeatedly, and at low additional cost.

Meccanismo di finanziamento

ERC-COG - Consolidator Grant

Istituzione ospitante

UNIVERSITEIT MAASTRICHT
Contribution nette de l'UE
€ 2 000 000,00
Indirizzo
MINDERBROEDERSBERG 4
6200 MD Maastricht
Paesi Bassi

Mostra sulla mappa

Regione
Zuid-Nederland Limburg (NL) Zuid-Limburg
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 2 000 000,00

Beneficiari (1)