Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

CANCER-RADIOMICS

Financiado

Cerrado

Deep Learning for Automated Quantification of Radiographic Tumor Phenotypes

Artificial Intelligence (AI), deep-learning in particular, is propelling the field of radiology forward at a rapid pace. In oncology, AI can characterize the radiomic phenotype of the entire tumor and provide a non-invasive window... ver más

31/07/2025

UNIVERSITEIT MAAST...

2M€

Presupuesto del proyecto: 2M€

Líder del proyecto

UNIVERSITEIT MAASTRICHT No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Ver 2 Participantes

Financiación concedida El organismo H2020 notifico la concesión del proyecto el día 2020-07-03

ERC-2019-COG: ERC Consolidator Grant

I+D

Cerrada hace 5 años

0% 100% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

2 Participantes

UNIVERSITEIT MAASTRICHT

2.00M€ | Lider

LTO SYSTEMS

373.72K€ | Participante

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

PDC2022-133383-I00 PLATAFORMA POTENCIADA POR IA PARA EL DIAGNOSTICO DE SUBTIPOS... 129K€ Cerrado

PREDICT A new era in personalised medicine Radiomics as decision su... 4M€ Cerrado

TED2021-130081B-C21 A COMPREHENSIVE COMPUTER-AIDED DIGANOSIS (CAD) SYSTEM BASED... 193K€ Cerrado

RTC2019-007356-1 ADUR: Desarrollo de nuevas herramientas y biomarcadores de i... 176K€ Cerrado

CHAIMELEON Accelerating the lab to market transition of AI tools for ca... 9M€ Cerrado

PID2021-123390OB-C21 ENSAYOS CLINICOS VIRTUALES PARA ALGORITMOS DE IA EXPLICABLE... 185K€ Cerrado

Duración del proyecto: 60 meses Fecha Inicio: 2020-07-03
Fecha Fin: 2025-07-31

Líder del proyecto

UNIVERSITEIT MAASTRICHT No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 2M€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Artificial Intelligence (AI), deep-learning in particular, is propelling the field of radiology forward at a rapid pace. In oncology, AI can characterize the radiomic phenotype of the entire tumor and provide a non-invasive window into the internal growth patterns of a cancer lesion. This is especially important for patients treated with immunotherapy as, despite the remarkable success of these novel therapies, the clinical benefit remains limited to a subset. As immunotherapy is expensive and could bring unnecessary toxicity there is a direct need to identify beneficial patients, but this remains difficult in clinical practice today. Radiomic biomarkers could address this, as, unlike biopsies that only represent a sample within the tumor, radiomics can depict a full picture of each cancer lesion with a single non-invasive examination. Previous work found significant connections between radiomic data, molecular pathways, and clinical outcomes. However, a direct link between radiomics and immunotherapy response has not yet been established. This project will address this problem by analyzing unique multicentre clinical data, including non-invasive imaging, clinical outcomes, and extensive biologic characterization of patients with lung or melanoma cancer. Specifically, I will develop deep-learning radiomic biomarkers to predict immunotherapy response using baseline (WP1) and follow-up imaging (WP2). I will also investigate if radiomics can characterize underlying biological factors, and, in turn, can be used to improve response predictions (WP3). Successful completion of this proposal will demonstrate the potential of radiomics to help physicians in selecting patients who will likely benefit from immunotherapy, while sparing this expensive and potentially toxic treatment for patients who don't. This work has implications for the use of imaging-based biomarkers in the clinic, as they can be applied noninvasively, repeatedly, and at low additional cost.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores