PN-IV-P1-PCE-2023-0042

I. PROJECT SUMMARY

ID: PN-IV-P1-PCE-2023-0042

Title: Delta-radiomics for personalised treatment of head and neck cancer using artificial intelligence (DeltaRadHNC)

Duration: Jan 2025 – Dec 2027

The challenge: Head and neck cancer (HNC) is a complex disease with incidence on the rise worldwide requiring continuous research for treatment optimisation and personalisation. HNC presents an exclusive set of diagnostic and therapeutic challenges due to its complex radiobiological behaviour and tumour heterogeneity. To advance HNC management there is need for a more in-depth evaluation of tumour features responsible for local recurrence and/or second cancers, using radiomic and holomic approaches.

The goal: The employment of radiomic analysis and holomic data to predict treatment outcome in HNC patients, risk of recurrence/second cancer as well as timeline of recurrence. The radiomic features augmented with additional clinical information are used as input for deep learning networks trained and validated on retrospective data from a cohort of over 1,000 HNC patients. To achieve this goal, highly detailed and robust tumour imaging features (radiomic features) will be identified using deep learning, and further augmented with non-imaging data for a complex patient characterization (holomic features).

The outcome: The development of a software system to offer clinicians a risk evaluation tool for recurrence/second cancer with every follow-up image acquired (delta-radiomics), allowing for close monitoring of patients at risk. The research will also provide the clinician a rich set of data to enable treatment intensity adjustment for a more personalised and optimised therapy.

 

I. REZUMATUL PROIECTULUI

ID: PN-IV-P1-PCE-2023-0042

Titlu: Aplicarea delta-radiomicii utilizând inteligența artificială pentru personalizarea tratamentului în oncologia ORL (DeltaRadHNC)

Durata: Ian 2025 – Dec 2027

Provocarea: Cancerul ORL este o boală complexă cu o incidență în creștere, necesitând cercetări continue pentru optimizarea tratamentului. Acesta prezintă un set exclusiv de provocări privind diagnosticul și tratamentul datorită complexității radiobiologice și a eterogeneității tumorale. Optimizarea rezultatelor clinice necesită o evaluare mai profundă a caracteristicilor tumorale responsabile de recurență și/sau de cancere secundare, aplicând abordarea radiomică și holomică.

Obiectivul: Utilizarea analizei radiomice și a datelor holomice pentru a prezice rezultatul tratamentului, riscul de recurență precum și timpul probabil de apariție a recurenței. Caracteristicile radiomice îmbogățite cu informații clinice vor fi utilizate ca input pentru rețelele de învățare profundă instruite și validate pe date retrospective de la o cohortă de peste 1.000 pacienți ORL. Pentru atingerea obiectivului vor fi identificate caracteristici imagistice tumorale detaliate și robuste (radiomica) folosind învățarea profundă, suplimentate cu date non-imagistice pentru caracterizarea complexă a pacientului (holomica).

Rezultatul: Dezvoltarea unui sistem software pentru a oferi medicilor un instrument de evaluare a riscului de recurență/cancer secundar la fiecare imagine post-tratament (delta-radiomică), permițând monitorizarea atentă a pacienților cu risc. Adițional, proiectul va furniza un set bogat de date care să permită ajustarea intensității tratamentului pentru o terapie optimă, personalizată.

II. MAIN OBJECTIVE

The employment of radiomic analysis and clinical (holomic) data to predict treatment outcome and evaluate risk as well as timeline of possible recurrence in HNC patients. The radiomic features augmented with additional clinical information to be used as input for a deep learning network trained and validated on retrospective data from a cohort of over 1,000 HNC patients treated at the Amethyst Radiotherapy Centre, Cluj-Napoca.

The specific objectives of the project are the following:

  • To connect a set of radiomic features to specific biological parameters (such as hypoxia, proliferative status, intrinsic radioresistance) in order to assist with treatment adaptation and optimisation of HNC patients.
  • To develop a deep learning network to be trained and validated on radiomic features extracted from retrospective CT images of HNC patients. Enrich the radiomic information with patient-specific clinical data for a holomic approach.
  • To use the trained deep learning network to predict treatment outcome for individual patients.
  • To develop a secondary deep learning network trained to detect patients with suboptimal post-treatment CT images that require more specific imaging (PET, MRI).
  • To perform an early detection of patients with high risk of recurrence / secondary cancer using the variation in radiomic features between sequential CT images taken at different time points (delta-radiomics).

II. OBIECTIVUL PRINCIPAL

Utilizarea analizei radiomice și a datelor clinice (holomice) pentru a prezice rezultatul tratamentului și a evalua riscul, precum și posibilitatea recurenței la pacienții cu cancere din sfera ORL. Caracteristicile radiomice completate cu informații clinice suplimentare, vor fi utilizate ca date de intrare pentru o rețea de învățare profundă, antrenată și validată pe date retrospective de la o cohortă de peste 1.000 de pacienți cu cancer din sfera ORL tratați la Centrul de Radioterapie Amethyst, Cluj-Napoca.

Obiectivele specifice ale proiectului sunt următoarele:

  • Conectarea unui set de caracteristici radiomice la parametri biologici specifici (cum ar fi hipoxia, statusul proliferativ, radiorezistența intrinsecă) pentru a ajuta la adaptarea tratamentului și optimizarea pacienților cu cancer din sfera ORL.
  • Dezvoltarea unei rețele de învățare profundă care să fie antrenată și validată pe baza caracteristicilor radiomice extrase din imaginile CT retrospective ale pacienților cu cancer ORL. Îmbogățirea informațiilor radiomice cu date clinice specifice pacientului pentru o abordare holomică.
  • Utilizarea rețelei de învățare profundă pentru a prezice rezultatul tratamentului pentru fiecare pacient, în mod personalizat.
  • Dezvoltarea unei rețele secundare de învățare profundă, antrenată pentru identificarea pacienților cu imagini CT post-tratament suboptimale care necesită imagistică mai specifică (PET, IRM).
  • Realizarea unei detectări precoce a pacienților cu risc crescut de recurență / cancer secundar utilizând variația caracteristicilor radiomice între imaginile CT secvențiale realizate la momente diferite (delta-radiomică).

 

III. THE RESEARCH TEAM

PROJECT LEADER:

III. ECHIPA DE CERCETARE

DIRECTOR PROIECT:

Loredana Gabriela MARCU   (https://www.scopus.com/authid/detail.uri?authorId=7006835272)

MEMBERS:

MEMBRI:

Oreste STRACIUC   (https://www.scopus.com/authid/detail.uri?authorId=35191261800)

David MARCU   (https://www.scopus.com/authid/detail.uri?authorId=57188819985)

Renata ZAHU   (https://www.scopus.com/authid/detail.uri?authorId=57880563900)

Ioana-Claudia COSTIN   (https://www.scopus.com/authid/detail.uri?authorId=57860742300)

 

IV. PREVIOUS PUBLICATIONS RELATED TO THE PROJECT

IV. PUBLICAȚII ANTERIOARE ALE DIRECTORULUI DE PROIECT LEGATE DE TEMATICA PROIECTULUI
  1. L. Marcu, D. Marcu

Pharmacogenomics and Big Data in medical oncology: developments and challenges
Therapeutic Advances Med Oncol 16:1-18 (2024)

  1. D. Marcu, C. Grava, L. Marcu

Current role of delta-radiomics in head and neck oncology
Int J Molecular Sciences 24(3):2214 (2023)

  1. L. Marcu, D. Marcu

Current omics trends in personalised head and neck cancer chemoradiotherapy
Journal of Personalized Medicine 11(11):1094 (2021)

  1. L. Marcu, D. Marcu

Points of view on Artificial Intelligence in radiology – one good, one bad and one fuzzy
Health and Technology 11:17-22 (2021)

  1. L. Marcu, C. Boyd, E. Bezak

Current issues regarding artificial intelligence in cancer and health care. Implications for medical physicists and biomedical engineers.
Health and Technology 9(4):375-381 (2019)

  1. L. Marcu, J. Forster, E. Bezak

The potential role of radiomics and radiogenomics in patient stratification by tumor hypoxia status
J American College Radiol 16(9PB):1330-1338 (2019)

  1. L. Marcu, C. Boyd, E. Bezak

Feeding the data monster: data science in head and neck cancer for personalized therapy
J American College Radiol 16(12):1695-1701 (2019)

  1. L. Marcu, P. Reid, E. Bezak

The promise of novel biomarkers for head and neck cancer from an imaging perspective
Int J Molec Sci 19(9):2511 (2018)

  1. L. Marcu, L. Moghaddasi, E. Bezak

Imaging of tumour characteristics and molecular pathways with PET: developments over the last decade towards personalised cancer therapy
Int J Radiat Oncol Biol Phys 102(4):1165-1182 (2018)

  1. L. Marcu, D. Marcu

In silico modelling of radiation effects towards personalised treatment in radiotherapy
AIP Conference Proceedings 1916(1): 040001 (2017)

 

V. DISSEMINATION OF RESULTS – IMPLEMENTATION YEAR 2025

V. DISEMINAREA REZULTATELOR – ANUL DE IMPLEMENTARE 2025
  1. L. Marcu, D. Marcu, I.C. Costin, R. Zahu, O. Straciuc

From immunohistochemistry to machine learning-based patient stratification by tumour proliferation characteristics in head and neck cancer.
Critical Reviews in Oncology/Hematology 216:104987 (2025)
DOI: 10.1016/j.critrevonc.2025.104987
Q1 (IF, AIS); AIS = 1,483

  1. C. Costin, L. Marcu, D. Marcu, R. Zahu, O. Straciuc

Is the use of machine learning in head and neck cancer radiotherapy supported by clinical trials?
Physica Medica 136:105036 (2025)
DOI: 10.1016/j.ejmp.2025.105036
Q2 (IF, AIS); AIS = 0,715

  1. L. Marcu, D. Marcu

Examining the role of AI in cancer imaging through the lens of clinical studies.
Health & Technology (2025)
DOI: https://doi.org/10.1007/s12553-025-01019-w
Q3 (IF), Q4 (AIS); AIS = 0,507