Premium

Voorspellen van response op immuuntherapie door middel van machine learning

Het in 2019 gestarte project is gecoördineerd vanuit het UMC Utrecht en de TUe, en wordt gesteund door een subsidie van ZonMw, Philips en het Hanarth Fonds.(1,2) Het doel van het PREMIUM project is het ontwikkelen van een model dat in staat is om uitkomsten van immunotherapie te voorspellen bij patiënten met een uitgezaaid melanoom met behulp van kunstmatige intelligentie. Als je met dit model patiënten kunt identificeren die geen baat zullen hebben bij behandeling, kun je deze patiënten ernstige bijwerkingen besparen en de maatschappij hoge kosten. Tot op heden zijn er 1347 patiënten geïncludeerd uit 11 deelnemende centra (zie hieronder voor de deelnemer centra). Voor het ontwikkelen van de voorspelmodellen wordt gebruik gemaakt van drie pijlers; klinische gegevens, radiologische data en pathologische data van zowel metastasen als het primaire melanoom. De data voor het project worden verzameld vanuit de dagelijkse klinische praktijk, dus er hoeven geen extra kosten worden gemaakt.

Met onder andere de data van de patiënten die zijn geïncludeerd in PREMIUM is een klinisch voorspelmodel ontwikkeld dat in 2023 is gepresenteerd tijdens het jaarcongres van de American Society of Clinical Oncology (ASCO).(3) Dit model heeft de capaciteit om goed onderscheid te maken tussen patiënten met een voorspeld slechte kans op respons en patiënten met een voorspeld goede kans op respons, wat zich vertaalt naar overleving. De patiëntengroep met de slechtste responskans had een mediane algehele overlevingsduur van 8 maanden, ten opzichte van een mediane algehele overlevingsduur van 62 maanden in de groep met patiënten met een voorspeld goede responskans.

De volgende stap van het project is om informatie die is opgeslagen in CT-scans toe te voegen aan het voorspelmodel. Door het toepassen van radiomics is een model ontwikkeld wat een significant voorspellende waarde heeft. Radiomics is een proces waarbij radiologische beelden worden verwerkt tot een grote hoeveelheid kwantitatieve gegevens, om met deze gegevens voorspellingen te maken. Het ontwikkelde radiomics-model heeft echter geen toegevoegde waarde bovenop het eerder genoemde model, wat gebruik maakt van klinische data. De resultaten van dit onderzoek zijn gepubliceerd in het European Journal of Cancer.(4) Het derde domein van het PREMIUM project focust op pathologische data. Hiervoor wordt materiaal van de primaire melanomen en metastasen voor start van behandeling gebruikt. Uit analyse van deze data blijkt dat de hoeveelheid handmatig gescoorde tumor infiltrerende lymfocyten in de metastasen voorspellend is voor respons op immuuntherapie en overleving. De resultaten van deze studie worden in oktober van dit jaar gepresenteerd op het jaarcongres van de European Society for Medical Oncology.

Op dit moment onderzoeken we of het proces van herkenning van lymfocyten middels machine learning geautomatiseerd kan worden waardoor het aantal lymfocyten in de tumor kwantificeerbaar wordt. De verwachting is dat de preciezere kwantificatie van lymfocyten beter voorspellend is voor respons. Ook wordt er gekeken of beeldmateriaal van radiologie en histopathologie geanalyseerd kan worden middels deep learning om een betere voorspelling van respons en overleving te kunnen maken.

Het uiteindelijke doel van het project is om alle domeinen te combineren om een model te creëren waarmee patiënten geselecteerd kunnen worden die wel of geen baat hebben bij immuuntherapie.

Deelnemende centra:
Amphia ziekenhuis, Amsterdam UMC, Antoni van Leeuwenhoek, Isala, Leids Universitair Medisch Centrum, Maxima Medisch Centrum, Medisch Spectrum Twente, Radboudumc, UMC Utrecht, UMC Groningen, Zuyderland Medisch Centrum.

Projectteam:
UMCU: Prof. dr. K. Suijkerbuijk, prof Dr. P.J. van Diest, dr. W.A.M. Blokx, dr. J.J.C. Verhoef, prof. dr. P.A. de Jong, prof dr. T. Leiner, prof dr I. Isgum, dr. G.A. de Wit, drs. I.A.J. van Duin, drs. R. ter Maar, drs. M. Schuiveling,

TU Eindhoven: Prof. J.P.W. Pluim, dr. M. Veta

Referenties

1. ZonMw Projects. Predicting Response of metastatic Melanoma to Immunotherapy Using Machine learning (PREMIUM). Beschikbaar op: https://projecten.zonmw.nl/nl/...

2. www.hanarthfonds.nl. Stichting Hanarth Fonds. Stichting Hanarth Fonds. Beschikbaar op: https://www.hanarthfonds.nl/en...

3. Van Duin IAJ, Verheijden RJ, Van Diest PJ, Van Den Eertwegh AJM, De Groot JW, Van Not OJ, et al. A prediction model for response to immune checkpoint inhibition in advanced melanoma. J Clin Oncol. 2023 Jun 1;41(16_suppl):9532–9532.

4. Ter Maat LS, van Duin IAJ, Elias SG, Leiner T, Verhoeff JJC, Arntz ERAN, et al. CT radiomics compared to a clinical model for predicting checkpoint inhibitor treatment outcomes in patients with advanced melanoma. Eur J Cancer Oxf Engl 1990. 2023 May;185:167–77.