ConsultancyAI voor oncologie
AI voor de oncologie, gebouwd voor de kliniek.
We ontwikkelen en implementeren AI voor pathologie, radiologie, radiotherapie en precisieoncologie, met oog voor klinische validatie, regelgeving en de dagelijkse praktijk in het ziekenhuis.
Waar AI in de oncologie verschil maakt.
Zes domeinen waarin we toepassingen ontwikkelen, valideren en integreren. Steeds met dezelfde vraag als vertrekpunt: helpt het de zorgverlener en de patiënt?
Pathologen beoordelen dagelijks grote aantallen coupes. AI analyseert whole-slide images op celniveau en wijst gebieden aan die aandacht vragen, zodat de specialist sneller en consistenter kan beoordelen.
- Tumordetectie en -gradering
- Tellen van mitosen
- Kwantificering van biomarkers zoals Ki-67, PD-L1 en HER2
- Analyse van de tumormicro-omgeving
Van screening tot follow-up: modellen detecteren en segmenteren laesies, meten volumes over tijd en ondersteunen responsevaluatie volgens RECIST.
- Detectie en segmentatie van laesies
- Volumetrie en groeisnelheid
- Radiomics voor prognose
- Geautomatiseerde responsevaluatie
Intekenen kost radiotherapeuten veel tijd per patiënt. Automatische segmentatie van tumor en risico-organen versnelt de planning en maakt adaptieve radiotherapie haalbaar.
- Auto-contouring van risico-organen
- Dosisvoorspelling
- Adaptieve planning op dagelijkse beelden
- Kwaliteitscontrole van bestralingsplannen
Moleculaire profilering levert enorme hoeveelheden data op. AI helpt varianten te interpreteren, biomarkers te ontdekken en patiënten te koppelen aan passende therapieën en studies.
- Interpretatie en prioritering van varianten
- Ontdekking van biomarkers
- Voorspelling van therapierespons
- Matching met klinische studies
Taalmodellen vatten dossiers samen, halen gestructureerde gegevens uit vrije tekst en bereiden het multidisciplinair overleg voor, steeds met verwijzing naar de bron.
- Samenvattingen voor het MDO
- Gestructureerde extractie uit verslagen
- Stadiëring en richtlijnconformiteit
- Brongebonden antwoorden op vragen over het dossier
Doorlooptijden zijn in de oncologie van levensbelang. Voorspellende modellen helpen capaciteit te plannen voor diagnostiek, operatiekamers en bestraling.
- Voorspelling van de zorgvraag
- Planning van scan- en bestralingscapaciteit
- Signalering van dreigende overschrijding van normen
- Ondersteuning bij triage
Eén patiënt, vele datastromen.
De grootste winst zit zelden in één model, maar in het verbinden van bronnen. Beeldvorming, pathologie, genomics en klinische gegevens vertellen elk een deel van het verhaal.
Wij bouwen de datapijplijnen en modellen die ze samenbrengen tot één patiëntbeeld, met behoud van herleidbaarheid naar de bron.
- Beeldvorming
- Pathologie
- Genomics
- Klinische data
Van data tot dagelijkse zorg.
Een klinisch AI-model is pas af als het veilig in de workflow draait en blijft presteren. We begeleiden het hele traject, of stappen in waar u ons nodig heeft.
- 01
Data en governance
Pseudonimisering, toestemming, datatoegang en FAIR-afspraken, in samenspraak met privacy officer en ethische commissie.
- 02
Modelontwikkeling
Annotatie samen met specialisten en robuustheid over scanners, protocollen en centra heen.
- 03
Klinische validatie
Retrospectief, extern en prospectief, gemeten op eindpunten die er voor de kliniek toe doen.
- 04
Certificering
Technisch dossier, risicobeheer en kwaliteitssysteem voor MDR of IVDR en de EU AI Act.
- 05
Implementatie
Integratie in PACS, LIS en EPD, met een workflow die past bij hoe zorgverleners werken.
- 06
Monitoring
Detectie van drift, post-market surveillance en gecontroleerd hertrainen wanneer de praktijk verandert.
Privacy en regelgeving zitten in het ontwerp.
Medische AI valt onder strenge kaders. We kennen ze van binnenuit en ontwerpen oplossingen die er vanaf de eerste dag aan voldoen.
Regelgeving
Medische hulpmiddelen, in-vitrodiagnostiek en AI-systemen met een hoog risico.
- MDR (EU) 2017/745
- IVDR (EU) 2017/746
- EU AI Act
- AVG
Normen en kwaliteit
Kwaliteitsmanagement, softwarelevenscyclus en risicobeheer voor medische software.
- ISO 13485
- IEC 62304
- ISO 14971
- NEN 7510
Privacy-technieken
Data blijft waar ze hoort. Modellen gaan naar de data, niet andersom.
- Federated learning
- Pseudonimisering
- On-premise inferentie
- Audit trails
Interoperabiliteit
Integratie in de systemen die zorgverleners al dagelijks gebruiken.
- DICOM
- HL7 FHIR
- PACS
- LIS en EPD
- Elk ziekenhuis traint lokaal op eigen data
- Alleen modelupdates gaan naar het centrum
- Updates worden samengevoegd
- Het verbeterde model gaat terug
Eigen onderzoek: tumorgroei simuleren op schaal.
In ons onderzoek naar maligne pleuramesothelioom simuleren we hoe een tumor in de pleuraholte groeit. Een Cellular Potts-model voor de tumorcellen is gekoppeld aan partiële differentiaalvergelijkingen voor zuurstof, voedingsstoffen en cytokines, in een omgeving die is opgebouwd uit gesegmenteerde CT-scans van de longen.
Zo verbinden we klinische beeldvorming met mechanistische modellen van tumorgroei. Omdat zulke simulaties zwaar zijn, beperkt een dynamische bounding box de berekening tot het gebied rond de tumor en wordt het werk parallel over meerdere cores verdeeld.
- Titel
- Multiscale Parallel Simulation of Malignant Pleural Mesothelioma via Adaptive Domain Partitioning – An Efficiency Analysis Study
- Auteurs
- Anton Dolganov, Valeria Krzhizhanovskaya, Stefano Trebeschi, Vivek M. Sheraton
- Verschenen in
- Computational Science – ICCS 2025 Workshops, Lecture Notes in Computer Science, deel 15911, Springer, 2025, p. 20–32
- DOI
- 10.1007/978-3-031-97570-7_3
Werkt u aan AI in de oncologie?
Of u nu een ziekenhuis, onderzoeksgroep of medtech-bedrijf bent: we denken mee van onderzoeksvraag tot implementatie.
Plan een gesprek