Vrije voordracht 10 – Francine Vos, Universitair Medisch Centrum Groningen

16:05 – 16:15 – Van beeld naar inzicht: hoe radiomics en kunstmatige intelligentie kunnen bijdragen aan de diagnostiek van geïnfecteerde vaatprothesen

Drs. Francine Vos1, Dr. Gijs D. van Praagh1, Dr. Marjan Wouthuyzen-Bakker1, Prof. dr. Jean-Paul P. M. de Vries1, Prof. dr. Riemer H.J.A. Slart1, Prof. dr. Bhanu Sinha1, Dr. Ben Saleem1

1Universitair Medisch Centrum Groningen, Groningen, Nederland
Introductie/Doel: De diagnose van centrale vaat- en endoprothese-infecties (cVEPI) blijft een uitdaging vanwege de complexe en niet-specifieke presentatie. Dit kan soms leiden tot invasieve procedures en overbehandeling, met verhoogd risico voor een kwetsbare patiëntengroep. [18F]FDG PET/CT is een waardevol diagnostisch hulpmiddel, maar interpretatie is subjectief, wat kan resulteren in variabiliteit. Machine learning (ML) biedt een mogelijkheid om de diagnostische nauwkeurigheid te verhogen door klinische en beeldgegevens objectief te combineren. Dit onderzoek evalueert de toepasbaarheid van ML-modellen met klinische data en radiomics in PET beelden, met als doel een niet-invasief besluitvormingsinstrument te ontwikkelen om geïnfecteerde en niet-geïnfecteerde centrale vaat- en endoprothesen te onderscheiden.

Materiaal/Methode: In deze multicenter, retrospectieve proof-of-concept studie werden drie ML-modellen ontwikkeld: één gebaseerd op klinische kenmerken (prebehandeling MAGIC criteria), één op radiomics-kenmerken van PET-scans en een gecombineerd model. Alle gegevens werden verzameld vóór de start van de (chirurgische) behandeling om de klinische situatie te simuleren waarmee behandelaars geconfronteerd worden bij het stellen van de diagnose. De modellen werden ontwikkeld met data van geïnfecteerde en niet-geïnfecteerde centrale vaatprothesen uit een trainingscohort van 92 patiënten uit het UMCG (72 cVEPI-positief, 20 cVEPI-negatief) en getest met een onafhankelijke set van 32 patiënten uit het Radboudumc (20 cVEPI-positief, 12 cVEPI-negatief). Prestaties werden beoordeeld met ROC-analyse, accuraatheid, sensitiviteit en specificiteit.

Resultaten: Het klinische model behaalde een AUC van 0.85±.06, het PET-radiomics-model een AUC van 0.73±0.03. Het gecombineerde model presteerde het beste met een AUC van 0.91±0.02 en een optimale balans tussen sensitiviteit (0.70) en specificiteit (1.00). Daarnaast overtrof het gecombineerde model de diagnose gebaseerd op alle MAGIC-criteria qua accuraatheid (0.91 vs 0.82).

Conclusie: Deze studie toont het potentieel van ML en PET-radiomics om de diagnostische nauwkeurigheid bij cVEPI te verbeteren. Deze innovatieve benadering kan waardevolle ondersteuning bieden aan behandelaars in het complexe besluitvormingsproces van cVEPI en daarbij waarschijnlijk overbehandeling verminderen en patiëntuitkomsten verbeteren.