Hjernesvulster representerer bare omtrent 3,5 % av alle nye krefttilfeller hos voksne, men reduserer forventet levealder med mer enn 20 år i gjennomsnitt. Hjernekreft er den dødeligste krefttypen hos personer under 40 år og en av de vanligste krefttypene hos barn. Svulstene er klassifisert i mer enn 150 forskjellige undertyper, fra saktevoksende, veldefinerte, godartede svulster til diffuse ondartede svulster med rask vekst og svært kort forventet levealder. Mens andre krefttyper gir mer stereotype symptomer, kan hjernesvulster gi et bredt spekter av symptomer avhengig av hvilke hjernestrukturer og dermed hjernefunksjoner som er berørt. Svulstene er heterogene, og det er stor variasjon i aggressivitet, vekstrate og behandlingsrespons. Symptomer og prognose varierer mye og kan være vanskelige å forutsi selv for erfarne leger.
Hjernesvulstpasienter kan ha en høy symptombyrde, både relatert til uhelbredelig kreft og på grunn av progressiv nevrologisk nedgang, anfall og bivirkninger av behandlingen. Siden kliniske presentasjoner, svulstlokalisering og vekstmønstre er svært forskjellige og ofte uforutsigbare, er det ekstremt vanskelig å velge optimal behandling for en gitt pasient. Dessverre kommer de siste fremskrittene innen både kirurgisk og onkologisk multimodal behandling bare en mindre andel av pasientene til gode. Derfor er personlig tilpasset behandling attraktiv for hjernesvulstpasienter, ettersom det naturlige forløpet og behandlingsresponsene er svært varierende, alt fra pasienter som ikke responderer på behandling, men bare opplever risikoen, til de som overlever lenge nok til å oppleve alvorlige forsinkede bivirkninger av behandlingen. Enhver potensiell terapeutisk fordel for total overlevelse må derfor balanseres nøye mot potensielle behandlingsinduserte bivirkninger som kan begrense pasientenes estimerte livskvalitet, noe som vil bane vei for personlig tilpasset beslutningstaking.
I dette prosjektet tar vi sikte på å bruke maskinlæring til å bygge datamodeller for å forutsi det kliniske utfallet for nye pasienter med hjernesvulst, samtidig som vi tar hensyn til den enkelte pasientens egenskaper og den store mengden kunnskap som finnes i data fra tusenvis av tidligere pasienter. Vi vil anvende maskinlæring og mer spesifikt dyplæringsmetoder på radiologiske og kliniske pasientdata, med spesielt fokus på tre hovedaspekter. For det første, verktøy for kvantitativ radiologisk vurdering av hjernesvulster, inkludert: (i) automatisk segmentering og klassifisering av preoperative, intraoperative, postoperative og oppfølgings-MR/CT/US-bilder for å kvantifisere initial tumorlokalisering og volum, (ii) karakterisering av tumorreseksjon under kirurgi, (iii) kvantifisering av lokalisering og volum av relevante strukturer postoperativt, som for eksempel gjenværende tumor, infarkt, blødninger, reseksjonshule eller FLAIR-hyperintensitet, (iv) vurdering av tumorrespons på stråling/kjemoterapi, og (v) kvantifisering av tumorvekst og gjenvekst. For det andre, kombinert bruk av kliniske og radiologiske data for personlig prediksjon av klinisk viktige parametere som overlevelse, forventet gjenværende tumor og postoperativt funksjonsnivå som Karnofsky-score og livskvalitet. Til slutt, generative modeller for å rekonstruere klinisk realistiske data betinget av pasientspesifikke input og behandlingsscenarier, for å håndtere sparsomhet og uregelmessighet i longitudinelle data, og for å generere fremtidig prognose for tumorutvikling eller respons.
