Self-Supervised AI Reveals a Hidden Landscape of Prognostic Spatial Patterns in Multiplex Immunofluorescence Images

In hun zoektocht naar het begrijpen van waarom sommige kankers agressiever zijn dan andere, hebben pathologen lang vertrouwd op de microscoop. Ze kijken naar dunne weefselcoupes, gekleurd met kleurstoffen die specifieke eiwitten accentueren, om cellen te tellen en hun locaties in kaart te brengen. Dit werk is cruciaal voor het beslissen over de behandeling van een patiënt, maar het is tegen een muur gelopen. Moderne technologie kan nu een enkel stuk weefsel tegelijkertijd met tientallen verschillende kleuren kleuren, wat een duizelingwekkend scala aan biologische details onthult. Toch worstelen het menselijk oog en traditionele computerprogramma's met het begrijpen van deze complexiteit. Ze reduceren het rijke, driedimensionale landschap van een tumor vaak tot eenvoudige lijsten met cel-aantallen, waarbij de subtiele vormen en arrangementen die de sleutel tot de overleving van een patiënt kunnen bevatten, worden weggegooid. De uitdaging is niet langer alleen het zien van de data, maar het vinden van een manier om het verhaal dat het vertelt te lezen zonder de draad kwijt te raken.

Een team onderzoekers aan de Universiteit van Glasgow heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, waarbij ze de microscoop transformeren tot een instrument dat zijn eigen vragen kan genereren in plaats van alleen vooraf ingestelde vragen te beantwoorden. Ze creëerden een systeem genaamd HyPERSTAC, dat gebruikmaakt van een type kunstmatige intelligentie die bekend staat als self-supervised learning (zelfsturend leren). In plaats van door mensen te worden geleerd waar het naar moet zoeken, leert dit systeem door zelfstandig miljoenen afbeeldingen te bestuderen en patronen te identificeren die zich bij verschillende patiënten herhalen. Het telt niet alleen cellen; het kijkt naar de gehele textuur van het weefsel, waarbij het opmerkt hoe cellen klonteren, hoe ze van vorm veranderen en hoe ze interageren met hun buren. Door dit brede, op patronen gebaseerde perspectief te combineren met traditionele celtelling, waren de onderzoekers in staat om verborgen biologische signaturen te ontdekken die voorspellen hoe een patiënt zal voortbestaan, signaturen die voorheen onzichtbaar waren voor standaardanalyses.

De onderzoekers testten hun systeem op bijna 400.000 afbeeldingen afkomstig van weefselmonsters van meer dan 1.800 patiënten met twee veelvoorkomende vormen van kanker: adenocarcinoom van de long en colorectaal carcinoom. Deze afbeeldingen kwamen van twee grote groepen patiënten, één uit Leicester en één uit Glasgow, wat een enorme collectie biologische data vertegenwoordigt. Het team voedde deze afbeeldingen aan hun AI, die ze opbrak in kleine tegels en leerde om vergelijkbare gebieden bij elkaar te groeperen. Deze groepen, die de onderzoekers 'spatial proteomic clusters' noemen, vertegenwoordigen terugkerende buurten binnen het tumor-ecosysteem. Sommige clusters toonden immuuncellen die dicht rondom kankercellen gepakt zaten, terwijl andere een chaotische mix van verschillende celtypen lieten zien. Cruciaal was dat het systeem ontdekte dat de frequentie van deze specifieke buurten in het weefsel van een patiënt een krachtige voorspeller was voor overleving, waarbij het vaak beter presteerde dan gevestigde methoden die uitsluitend vertrouwen op het tellen van cellen of het meten van afstanden tussen hen.

Een van de meest opmerkelijke ontdekkingen kwam uit de longkankermonsters. De AI identificeerde een specifiek patroon waarbij snel delende kankercellen werden omringd door immuuncellen, terwijl de patiënten met dit patroon een slechte prognose hadden. Dit suggereerde dat wanneer kankercellen snel groeien, ze in staat kunnen zijn om de aanval van het immuunsysteem te omzeilen, waardoor de aanwezigheid van immuuncellen minder effectief is dan voorheen werd gedacht. Het systeem vond ook een ander patroon dat gekoppeld is aan een specifiek type longkanker dat wordt gedreven door een genetische mutatie en vaak voorkomt bij mensen die nooit hebben gerookt. In deze tumoren was een eiwit genaamd GLB1 niet alleen aanwezig; het bevond zich in een zeer specifief deel van de cel, wijzend in de richting weg van het omliggende weefsel. Deze subtiele, directionele rangschikking was een sterk teken van een minder agressieve ziekte, een detail dat standaardanalyse zou missen omdat die doorgaans alleen meet hoeveel van een eiwit aanwezig is, en niet waar het zich binnen de cel bevindt.

In colorectale kanker ontdekte het systeem een ander soort gevaar. Het vond een buurt die rijk is aan een specifiek type immuuncel, bekend als een regulatoire T-cel, die werkt om het immuunsysteem te kalmeren. Wanneer deze cellen overvloedig aanwezig waren naast bepaalde andere immuuncellen, neigde de tumor agressiever te zijn en was de prognose van de patiënt slechter. Dit patroon was bijzonder sterk bij patiënten met stadium III-ziekte, een groep waarbij artsen vaak moeite hebben om te voorspellen wie het goed zal doen en wie niet. Het vermogen van de AI om dit specifieke arrangement van cellen te spotten, bood een nieuwe manier om risico's te stratificeren, wat een genuanceerder beeld geeft dan enkel kijken naar het stadium van de kanker.

De kracht van dit werk ligt in het vermogen om deze patronen te vinden zonder menselijke bias. De onderzoekers vertelden de computer niet waar hij naar moest zoeken; ze lieten hem simpelweg de data verkennen. Dit betekent dat het systeem biologische regels kan ontdekken waar niemand ooit over heeft nagedacht om er vraag naar te stellen. Zo ontdekte de AI dat de manier waarop immuuncellen met kankercellen interageren belangrijker is dan enkel hun aanwezigheid. Bij patiënten wiens tumoren een specifieke marker genaamd PD-L1 tot expressie brachten, maakte het systeem onderscheid tussen degenen wiens immuuncellen fysiek contact maakten met de kankercellen en degenen wiens immuuncellen op afstand werden gehouden. De patiënten met het "contact"-patroon hadden een betere overlevingskans, wat suggereert dat de fysieke verbinding tussen het immuunsysteem en de tumor een cruciale factor is in de strijd tegen de ziekte.

De kracht van dit werk ligt in het vermogen om deze patronen te vinden zonder menselijke bias. De onderzoekers vertelden de computer niet waar hij naar moest zoeken; ze lieten hem simpelweg de data verkennen. Dit betekent dat het systeem biologische regels kan ontdekken waar niemand ooit over heeft nagedacht om er vraag naar te stellen. Zo ontdekte de AI dat de manier waarop immuuncellen met kankercellen interageren belangrijker is dan enkel hun aanwezigheid. Bij patiënten wiens tumoren een specifieke marker genaamd PD-L1 tot expressie brachten, maakte het systeem onderscheid tussen degenen wiens immuuncellen fysiek contact maakten met de kankercellen en degenen wiens immuuncellen op afstand werden gehouden. De patiënten met het "contact"-patroon hadden een betere overlevingskans, wat suggereert dat de fysieke verbinding tussen het immuunsysteem en de tumor een cruciale factor is in de strijd tegen de ziekte.

Door deze bevindingen en de enorme dataset die werd gebruikt om ze te genereren, vrij te geven, hebben de onderzoekers de wetenschappelijke gemeenschap een nieuwe benchmark geboden. Ze hebben aangetoond dat kunstmatige intelligentie een partner in ontdekking kan zijn, in staat om zowel het bos als de bomen tegelijkertijd te zien. Deze aanpak transformeert hoogwaardige beeldvorming van een instrument dat bestaande ideeën test naar een motor die nieuwe ideeën genereert. Het suggereert een toekomst waarin de analyse van weefselmonsters niet langer beperkt wordt door wat artsen al weten te zoeken, maar in plaats daarvan wordt gedreven door de data zelf, waardoor de verborgen geografie van ziekte wordt onthuld en de deur wordt geopend naar meer precieze, gepersonaliseerde behandelingen. Het werk demonstreert dat de belangrijkste aanwijzingen in een tumor misschien niet de cellen zelf zijn, maar de complexe, stille taal van hoe zij zijn gerangschikt.