Effective tumor kinetics inferred from single routine H&E biopsies enable counterfactual virtual radiotherapy trials

Ogni giorno, i patologi esaminano sottili sezioni di tessuto al microscopio per diagnosticare il cancro. Queste slide, colorate con coloranti rosa e viola, forniscono un'istantanea congelata dell'architettura di un tumore in un singolo momento nel tempo. Per decenni, questa immagine è stata trattata come una foto statica, una mappa bidimensionale di dove si trovano le cellule. Tuttavia, i tumori non sono statici; sono sistemi dinamici in cui le cellule si dividono e si diffondono costantemente nei tessuti circostanti. La sfida è sempre stata capire come estrarre la velocità di questa crescita e il tasso di questa diffusione da una singola immagine congelata. Se i medici potessero capire quanto velocemente un particolare tumore si muove e si espande, potrebbero teoricamente personalizzare i trattamenti per fermarlo in modo più efficace, invece di applicare un approccio standard a ogni paziente.

Un team di ricercatori ha sviluppato un nuovo modo per leggere queste comuni slide microscopiche, trasformando un'immagine statica in un insieme di numeri che descrivono il movimento del tumore. Analizzando la precisa disposizione dei nuclei cellulari su una slide standard, possono inferire il comportamento sottostante del tumore. Hanno scoperto che il modo in cui le cellule si raggruppano nel tessuto contiene il segreto di come il tumore crescerà e si diffonderà in futuro. Questo approccio permette loro di creare un modello virtuale della dinamica del tumore, che hanno poi utilizzato per simulare diversi trattamenti radioterapici in un computer. I risultati suggeriscono che, abbinando il programma di trattamento alla velocità di crescita specifica del tumore, i medici potrebbero prolungare significativamente il tempo in cui i pazienti vivono senza che il loro cancro ritorni.

I ricercatori sono partiti dall'idea che il modello spaziale delle cellule in una biopsia non sia casuale. In un tessuto sano, le cellule sono spesso disposte in modo ordinato, ma in un tumore, la disposizione riflette le forze biologiche in gioco. Alcune cellule si stanno dividendo rapidamente, spingendo da parte le vicine, mentre altre si stanno allontanando dalla massa principale. Il team si è reso conto che, se avessero potuto misurare la distanza tra ogni cellula e i suoi vicini, avrebbero potuto calcolare due numeri chiave: quanto velocemente le cellule si moltiplicano e quanto velocemente si diffondono, o si espandono, nello spazio circostante. Hanno testato questo metodo su migliaia di campioni di tessuto provenienti da undici gruppi diversi di pazienti, coprendo una vasta gamma di tumori solidi, inclusi tumori cerebrali, polmonari e cutanei.

Per farlo, hanno utilizzato un quadro matematico che tratta il tessuto come un fluido che si espande e cresce. Hanno preso le coordinate di ogni nucleo cellulare dalle slide digitali e hanno calcolato come le cellule fossero distribuite nello spazio. Confrontando questa distribuzione del mondo reale con ciò che prevede un modello teorico, sono riusciti a lavorare a ritroso per trovare la velocità esatta di crescita e diffusione per quel particolare paziente. Il metodo si è dimostrato altamente accurato, con le previsioni del modello che corrispondevano quasi perfettamente ai modelli tissutali reali. Ciò ha permesso loro di assegnare a ogni paziente un "fenotipo meccanicistico" unico, un profilo definito dai tassi specifici di crescita e diffusione del proprio tumore.

Questi profili hanno rivelato che i tumori sono molto più diversificati di quanto precedentemente pensato. Alcuni tumori sono risultati altamente aggressivi nella loro capacità di moltiplicarsi ma relativamente contenuti nella loro diffusione, formando masse dense e compatte. Altri erano meno aggressivi nella moltiplicazione ma si diffondevano ampiamente, creando un modello più diffuso e infiltrativo. I ricercatori hanno scoperto che questi schemi non erano semplici variazioni casuali; portavano informazioni critiche sulla sopravvivenza del paziente. In diversi tipi di cancro, i pazienti i cui tumori presentavano specifiche combinazioni di alti tassi di crescita e di diffusione affrontavano esiti diversi rispetto a quelli con altre combinazioni. Fondamentalmente, questa informazione era indipendente dai sistemi di stadiazione tradizionali utilizzati dai medici, offrendo un nuovo livello di intuizione che non poteva essere visto semplicemente guardando la dimensione del tumore o la sua posizione.

L'applicazione più sorprendente di questo lavoro è derivata da un esperimento virtuale riguardante pazienti con glioblastoma, un tipo aggressivo di cancro al cervello. Nel mondo reale, questi pazienti ricevono un corso standard di radioterapia. I ricercatori hanno utilizzato i tassi di crescita inferiti per simulare cosa sarebbe successo se avessero cambiato il piano di trattamento per diversi tipi di pazienti. Hanno creato un trial clinico virtuale in cui hanno diviso i pazienti in due gruppi in base alla velocità di crescita del loro tumore. Al gruppo con tumori a crescita più rapida è stato assegnato un corso di radioterapia più breve e intenso, mentre al gruppo con tumori a crescita più lenta è stato assegnato un corso più lungo, con dosaggio incrementato.

La simulazione ha mostrato che questo approccio personalizzato sarebbe stato significativamente migliore rispetto all'attuale standard di cura. Abbinando il trattamento al profilo cinetico specifico del tumore, il trial virtuale ha previsto che i pazienti avrebbero vissuto, in media, 96,7 giorni in più senza che il loro cancro progredisse, rispetto a tutti coloro che ricevevano lo stesso trattamento standard. I ricercatori hanno sottolineato che questo risultato derivava da una simulazione al computer basata sui principi biologici da loro scoperti, non da un completato trial umano. Tuttavia, la logica era solida: i tumori a crescita più rapida rispondevano meglio a una dose concentrata somministrata rapidamente, mentre i tumori a crescita più lenta beneficiavano di una dose totale più elevata distribuita nel tempo.

Questo lavoro rappresenta un passaggio dal vedere le slide patologiche come semplici immagini al vederle come registri ricchi di dati sul movimento biologico. I ricercatori non hanno avuto bisogno di nuove tecnologie o costosi test molecolari; hanno utilizzato le stesse slide di routine già disponibili negli ospedali di tutto il mondo. Applicando una specifica lente matematica a queste immagini, hanno sbloccato una dimensione nascosta di informazioni che prima era inaccessibile. Sebbene lo studio sia retrospettivo e le raccomandazioni terapeutiche siano attualmente limitate alle simulazioni, i risultati forniscono un modello convincente di come la diagnostica di routine possa evolversi. Invece di trattare tutti i pazienti allo stesso modo, il futuro dell'assistenza oncologica potrebbe risiedere nel leggere il sottile linguaggio spaziale del tumore per prescrivere il trattamento esatto di cui ha bisogno.