Ravindra Patil

De verbetering van de kankerzorg door automatisering en personalisatie is vereist om kosteneffectiviteit, verbeterde patiënt- en personeelservaring en betere gezondheidsresultaten te bieden. Met de vooruitgang in AI is er een groot potentieel om deze verbeteringen te bereiken. In dit proefschrift is de aanpak aangepast bij het bouwen van de voorspellende modellen voor NSCLC en het gebruik van machine learning en deep learning-modellen om de nauwkeurigheid en automatisering te verbeteren van het bouwen van end-to-end klinische beslissingsondersteunende systemen die gericht zijn op het verbeteren van de kankerzorg en in het bijzonder voor NSCLC werd onderzocht.

Het proefschrift begon met de algemene introductie van de Radiomics en de bijbehorende uitdagingen met workflow en toepassing in hoofdstuk 1. Er is sterke behoefte aan het bouwen van hoogwaardige prognostica en voorspellende modellen in de kankerzorg, zodat deze snel kunnen worden aangepast aan de klinische praktijk. Hoofdstuk 2 geeft details over verschillende methodologieën die worden gebruikt voor modellering met Radiomics, de bijbehorende uitdagingen en aanbevelingen voor het bouwen van hoogwaardige prognostica en voorspellende modellen. Omdat er behoefte is aan automatisering in de kankerzorgcyclus om de last voor de oncoloog te verminderen en de variaties tussen segmenten binnen en tussen de waarnemers te verminderen, werd hoofdstuk 3 geïntroduceerd om een op Deep Learning gebaseerde benadering te beschrijven om het longgebied te segmenteren, zonder initialisatie van het startpunt. Daarnaast belichtte het hoofdstuk de effectiviteit van Deep Learning ten opzichte van traditionele segmentatiebenaderingen. In vervolg op de dorst naar automatisering, beschreef Hoofdstuk 4 een benadering van automatische extractie van het Bruto Tumor-volume uit CT-segmenten met behulp van Deep Learning, daardoor een significante vermindering van de tijd te demonstreren in vergelijking met handmatige contouring.

Het is heel belangrijk dat de prognose van de ziekte correct wordt uitgelegd aan de patiënt, zodat de patiënt zijn / haar activiteiten tijdig kan plannen. Hiervoor hebben we in Hoofdstuk 5 een overlevingsmodel gebouwd dat gebruik maakte van Radiomics-kenmerken en aantoonde dat het model met een combinatie van beeldgerelateerde Radiomics-kenmerken gecombineerd met klinische gegevens van de patiënt een betere voorspelling van overleving biedt dan de bestaande benaderingen, die alleen rekening houden met de klinische gegevens.

Identificatie van de histologie van NSCLC is belangrijk voor behandelplanning. Idealiter is biopsie de voorkeursmethode, die invasief van aard is en bijwerkingen heeft. In Hoofdstuk 6 werd experiment uitgevoerd om NSCLC-histologie automatisch te classificeren met behulp van Radiomics-functies, waardoor de weg werd vrijgemaakt voor een alternatieve benadering van biopsieën met behulp van beeldvorming, die niet-invasief is en potentieel kan worden beschouwd als een virtuele biopsie. In Hoofdstuk 7 werden de Radiomics-technieken verder uitgebreid door fractals als nieuwe kenmerken te introduceren, die helpen bij het kwantificeren van onregelmatige patronen en die de rol van fractals bij het verbeteren van de histologische classificatie van NSCLC hebben aangetoond.

Ten slotte werden in Hoofdstuk 8 de behoeften en technieken van systeemniveau onderzocht om een End-to-End diagnostisch Radiomics-model voor klinische toepassing te bouwen, en werden goede governance- en implementatiestrategieën voor data en AI-modellen in de ziekenhuizen besproken. Tot slot geeft hoofdstuk 9 een algemene bespreking van de resultaten die in dit proefschrift worden gepresenteerd en gerelateerde toekomstperspectieven op het gebied van automatisering in de gezondheidszorg.

VALORIZATION ADDENDUM

With the increasing burden on healthcare both in terms of patient load as well as tremendous growth of the imaging data, there is a need for the healthcare industry to adopt advanced and newer solutions to improve the patient experience, affordability and access to care. These new technologies are already facilitating these transformations [1].

Royal Philips being a leading health technology company is focused on improving people’s health and enabling better outcomes across the health continuum from healthy living, prevention, to diagnosis, treatment and home care. The vision of Philips is to improve the lives of 3 billion people a year by 2030 [2].

As far as the research presented in this thesis is concerned, being an employee of Philips the work in this thesis has influenced and contributed to the products and solutions as described in the paragraphs below.

Knowledge Dissemination

The research carried out in this thesis was shared with broader scientific community by publishing papers in Journals, book chapters and conferences. In addition, the concepts and the algorithms developed as part of thesis were shared amongst the researches across the Big Imaging data approach for Oncology in Netherlands India Collaboration (BIONIC) consortium. The algorithm for auto segmentation of lung and GTV is being used in the clinical setting of Tata Memorial Hospital in the radiomics extraction pipeline to realize the objectives of BIONIC. Further, the work on histology classification and new addition of fractals as features would help in identifying tumor habitats within the gross tumor volume. Finding of these habitats would be useful in targeted therapy for better prognosis.

Economical Exploitation

The outcome of this thesis work has contributed towards addressing the need of hospitals and patients through the proposed solutions, in particular to cancer care. Philips being a health technology company can valorize the following results of this thesis.

1. The concepts and techniques proposed in Chapter 2, on how to build prognostic and predictive models and the challenges associated, can be part of Philips quality assurance framework for AI.
2. The Lung auto segmentation model using Deep Learning is being considered to be part of data science platform of Philips. Further, along with the Gross Tumor Volume detection is integrated into Philips Translation Research platform – IntelliSpace Discovery [3].
3. The Radiomic models developed in chapters 5, 6 and 7, survival models, automatic classification of tumor histopathology and Fractal Analysis for non-small lung cancer, are currently being verified and validated as part of the Philips Translation Research platform – IntelliSpace Discovery. Based on the outcome of the validation phase, the models could become part of the Philips IntelliSpace Portal [4], in the near future.
4. The use cases discussed and developed in Chapter 8 a cloud-based framework to distribute/share clinical images with a CDSS for radiologists on the move and to the institutions that do not have an on-premise solutions can be part of a Philips cloud-based solution for distributed learning.

Societal Expectation Management

Although, the work provided insights on the economic benefit and the dissemination of information to the scientific community, it also has influence on society. The technology blocks developed will help alleviate the burden of the physician thereby improve disease diagnosis and treatment at a rapid pace. At the remote care setting, the cloud-based platform for image analytics, described in Chapter 8, can provide capabilities, to help connect the experienced radiologists practicing in the large cities to physicians in remote villages and towns. Further, the clinical decision support systems deployed on a cloud-based platform can empower physicians and healthcare workers in primary care to improve their diagnosis, treatment strategies and throughput.