Het doel van dit PhD project is het onderzoeken van geavanceerde Geometric Deep Learning (GDL) algoritmes voor de ontdekking van nieuwe ruimtelijke biomarkers in gigapixel whole slide images in histopathologie.

Tot op heden gaan de meeste algoritmes in GDL ervan uit dat de graven waarmee gerekend wordt al gegeven zijn en dat het message passing- dan wel transformer-framework helpt bij het leren van eigenschappen uit paarsgewijze interacties tussen punten in de graaf. Een open vraag is hoe men het beste de graaf kan herleiden wanneer deze niet bekend is, dusdanig dat a) deze consistent geconstrueerd wordt over verschillende samples, b) geometrisch/topologisch correspondeert met de onderliggende beelden en c) informatief genoeg is voor de uiteindelijke voorspellende taak.

In histopathologie zijn de beelden in wezen digitale scans van weefselbiopsieën in de gigapixel ordegrootte, bestaande uit abstracte patronen van biologische materialen zoals cellen, vaten, vet, weefsel, en natuurlijk tumoren en antilichamen. Bij het proberen te begrijpen of een gespecialiseerde behandeling, zoals de Nobelprijs-winnende immunotherapie, geschikt is, moeten specifieke biomarkers worden herkend in de histopathologische whole slide image. Helaas richten huidige biomarkers zich voornamelijk op de aanwezigheid of afwezigheid van specifieke celtypen en hun dichtheden, vanwege de complexiteit en de grootte van de whole slide images. Een sterke hypothese is dat niet alleen de aanwezigheid of afwezigheid van celtypen belangrijk is, maar ook de manier waarop ze ruimtelijk georganiseerd zijn over het weefsel van de patiënt. Hoewel dit complex is om systematisch met het blote oog af te leiden en routinematig te herkennen in de klinische praktijk, is de hoop dat Deep Learning-algoritmes die afhankelijk zijn van geometrische gravenvan grote aanvullende waarde kunnen zijn.

Het project is een samenwerking tussen de Universiteit van Amsterdam, het Amsterdam Universitair Medisch Centrum, Antoni van Leeuwenhoek ziekenhuis en Ellogon.AI.

Verdere medische achtergrond

Het project richt zich specifiek op Gastro-Esophageale kanker (GEK). Nieuwe immunotherapiebehandelingen (IMT) tonen veelbelovende therapeutische resultaten bij een subset van alle kankerpatiënten, maar zijn zeer kostbaar.

Om patiënten te selecteren die hiervan zullen profiteren, moeten medische specialisten zoals pathologen biomarkers kwantificeren die voorspellend zijn voor het resultaat van IMT. Diverse kankertypen vereisen biomarker-testen voor PD-L1, tumorinfiltrerende lymfocyten (TIL) of tumor-vreemdheid. Deze biomarker-beoordelingen zijn echter complex, duur en hebben last van waarnemersvariatie. Huidige beperkte testmethoden resulteren in ongewenste variatie in patiëntresultaten en hoge zorgkosten. Er bestaat een duidelijke klinische behoefte aan objectieve, geïntegreerde en gemakkelijk te gebruiken beslissingsondersteunende tools om gepersonaliseerde behandeling te optimaliseren en GEK-patiënten te identificeren die zullen reageren op IMT.

We zullen aan deze behoeften voldoen door een integraal systeem te ontwikkelen voor biomarker-kwantificering direct vanuit standaard histopathologie H&E-slides zonder extra testen uit te voeren. Op basis van probabilistische en geometrische deep learning-principes willen we multi-schaal, ruimtelijke en contextuele afhankelijkheden modelleren via geometrische (hyper)graph neurale netwerken. Ruimtelijke en contextuele aanwijzingen, zoals de aanwezigheid van lymfocyten binnen kankerweefsel, vormen biomarkers die het systeem moet voorspellen.

Vervolgens streven we ernaar om de uitkomst van IMT voor individuele patiënten betrouwbaar te voorspellen op basis van de waargenomen en gekwantificeerde biomarkers. Om transparantie en begrip te behouden van hoe de biomarkers verband houden met de voorspelde uitkomst, vertrouwen we op geavanceerde probabilistische modellering. Gedurende het project zullen we gebruikmaken van state-of-the-art deep learning-benaderingen zoals self-supervised learning om het meeste uit alle beschikbare data te halen en groep-equivariante leertechnieken om dataefficiëntie te verbeteren.

Ons doel is om AI-oplossingen te brengen in de dagelijkse klinische praktijk van pathologen en oncologen om patiënten te identificeren die het meest zullen profiteren van immunotherapie of onnodige behandeling kunnen worden bespaard. Ingebed in het voortvarende Amsterdamse AI-ecosysteem, zul je baanbrekende AI-oplossingen ontwikkelen op een fundamenteel niveau, terwijl je werkt in de voorhoede van IMT-onderzoek.