CFB-GBM v2.0: An Augmented Longitudinal Dataset for Multi-Modal Glioblastoma Segmentation, Radiomics, and RANO Progression Tracking

Glioblastoom is de meest agressieve vorm van primaire hersenkanker bij volwassenen, een ziekte die met angstaanjagende snelheid beweegt en patiënten een mediane overleving van slechts vijftien maanden laat. Omdat de tumor van persoon tot persoon zo verschillend gedraagt, worstelen artsen met de vraag wie zal reageren op de behandeling en wie niet. Momenteel is de standaardmanier om te beoordelen of een therapie werkt, afhankelijk van magnetische resonantie-imaging, of MRI, die gedurende meerdere maanden wordt gemaakt. Artsen kijken naar veranderingen in de grootte van de tumor, maar dit proces is traag. Het duurt vaak twee maanden om het verschil te zien tussen een tumor die daadwerkelijk groeit en een tumor die er alleen groter uitziet door ontsteking veroorzaakt door de behandeling zelf. Dit uitstel is cruciaal; in een race tegen de klok kan het wachten van twee maanden om een falend behandelplan aan te passen het verschil betekenen tussen leven en dood. Om dit op te lossen, hebben onderzoekers enorme hoeveelheden gedetailleerde medische gegevens nodig die patiënten door de tijd heen volgen, waarbij precies wordt getoond hoe hun tumoren veranderen en hoe ze reageren op therapie. Dergelijke gegevens zijn echter schaars geweest, vaak opgeborgen in privéziekenhuisarchieven of ontbrekend van cruciale details die nodig zijn om betrouwbare computermodellen te bouwen.

Een team onderzoekers uit Frankrijk heeft nu een belangrijke update uitgebracht van een publieke database die ontworpen is om wetenschappers en artsen te helpen deze hindernissen te overwinnen. Genoemd CFB-GBM v2.0, brengt deze nieuwe collectie de medische dossiers en scans van 264 patiënten samen die tussen 2017 en 2023 voor een glioblastoom werden behandeld in één enkel oncologisch centrum. De dataset is bijzonder omdat deze patiënten volgt tijdens drie verschillende momenten in hun behandeltraject: voordat de therapie begint, en vervolgens weer na ongeveer vier en zes maanden. Voor elk van deze momenten bevat de database een rijke variëteit aan beelden, zoals verschillende soorten MRI-scans en CT-scans, samen met precieze kaarten van de stralingsdosissen die de patiënten ontvingen. De belangrijkste toevoeging in deze nieuwe versie is dat de onderzoekers nu de ontbrekende stukjes van de puzzel hebben ingevuld: ze hebben gedetailleerde contouren van de tumoren gemaakt voor elke patiënt op elk gewenst tijdstip. In de oorspronkelijke versie van de gegevens ontbraken deze contouren voor de meeste patiënten in de latere stadia, wat het onmogelijk maakte om te bestuderen hoe de tumoren in de loop van de tijd veranderden. Nu, met de contouren compleet voor bijna alle patiënten, stelt de database onderzoekers in staat om het volledige verhaal van de progressie van de ziekte te zien.

Om deze nieuwe contouren te creëren, hebben de onderzoekers niet elke tumor handmatig getekend, een taak die jaren zou hebben gekost. In plaats daarvan hebben ze een geavanceerd computerprogramma getraind om het werk te doen. Ze begonnen met een model dat al had geleerd om hersentumoren te herkennen van een andere, grote collectie medische beelden. Vervolgens hebben ze dit programma onderwezen met behulp van de weinige hoogwaardige contouren die ze al hadden van hun eigen patiënten. Zodra de computer de patronen leerde, genereerde deze automatisch de ontbrekende tumorcontouren voor de rest van de groep. Om er zeker van te zijn dat de computer geen fouten maakte, hebben vijf expert-radiotherapeuten een willekeurige selectie van de nieuwe contouren beoordeeld. Zij vonden dat het werk van de computer opmerkelijk nauwkeurig was en bijna perfect overeenkwam met hun eigen correcties. Deze validatie geeft andere wetenschappers het vertrouwen dat zij deze automatisch gegenereerde contouren kunnen gebruiken om hun eigen instrumenten te trainen zonder dat zij zelf maandenlang de tumoren opnieuw hoeven te tekenen.

Met de tumorcontouren nu compleet voor elke patiënt in elke fase, waren de onderzoekers in staat om exact te berekenen hoeveel de tumoren krompen of groeiden tussen de bezoeken door. Ze pasten een standaardset regels toe die wereldwijd door artsen worden gebruikt om de resultaten te classificeren. Deze regels categoriseren de respons van een patiënt als een volledige verdwijning van de tumor, een gedeeltelijke krimp, een stabiele conditie waarbij de tumor niet significant groeit, of een progressie waarbij de tumor groter wordt. Door dit te doen voor elk mogelijk paar tijdstippen, heeft het team een duidelijk, direct bruikbaar verslag geleverd van hoe elke patiënt op de behandeling reageerde. Dit maakt de dataset onmiddellijk bruikbaar voor onderzoekers die proberen kunstmatige intelligentiesystemen te bouwen die het succes van een behandeling vroegtijdig kunnen voorspellen, wat potentieel artsen in staat stelt om van strategie te wisselen voordat de ziekte te ver gevorderd is.

Naast de tumorcontouren en responscategorieën bevat de dataset andere hulpmiddelen die onderzoek gemakkelijker en consistenter maken. Het team heeft vooraf berekende metingen van de textuur en vorm van de tumor geleverd, bekend als radiomische kenmerken. Deze getallen beschrijven de interne structuur van de tumor op manieren die het menselijk oog niet kan zien, wat aanwijzingen geeft over de biologie van de kanker. Ze hebben ook maskers opgenomen die de hersenen isoleren van de rest van het hoofd in de beelden, wat onderzoekers helpt om hun analyse te concentreren op het relevante gebied zonder interferentie van bot of huid. Bov�elijke vermeldt de database nu duidelijk welke versie van de classificatierichtlijnen van de Wereldgezondheidsorganisatie werd gebruikt om elke patiënt te diagnosticeren, een detail dat ertoe doet omdat de definitie van glioblastoom in 2021 veranderde om specifieke genetische markers te vereisen.

Ondanks deze belangrijke verbeteringen zijn de onderzoekers voorzichtig in wat de data ons nog niet kan vertellen. De database bevat geen informatie over de specifieke genetische mutaties binnen de tumoren, zoals de status van het IDH-gen, wat een krachtige voorspeller is van hoe een patiënt het zal redden. Zonder deze genetische informatie kan de dataset niet worden gebruikt om de link tussen de genen van een tumor en het gedrag ervan te bestuderen. De auteurs suggereren dat toekomstige updates de ontbrekende genetische details zouden kunnen bevatten en de tumorcontouren nog verder in fijnere delen zouden kunnen opdelen, zoals het scheiden van het dode centrum van de tumor van de actieve randen. Voor nu staat CFB-GBM v2.0 echter als een robuuste en toegankelijke bron. Het transformeert een collectie verspreide medische dossiers in een samenhangend, longitudinaal verhaal van 264 patiënten, en biedt de wetenschappelijke gemeenschap een solide fundament om betere manieren te ontwikkelen om deze verwoestende ziekte te volgen, te voorspellen en uiteindelijk te behandelen.