Direct pathway enrichment prediction from histopathological whole slide images and comparison with gene expression mediated models

Dit onderzoek toont aan dat het direct voorspellen van padverrijking uit histopathologische beelden van borstkankerpreparaten nauwkeuriger is dan de huidige methode waarbij eerst genexpressie wordt voorspeld om vervolgens paden af te leiden.

De kern

🏥 De Grote Droom: Ziekenhuisdiagnoses zonder dure tests

Stel je voor dat een arts een patiënt met kanker moet onderzoeken. Normaal gesproken moet het ziekenhuis twee dingen doen:

1. De microscopische foto bekijken: Een patholoog kijkt naar een gekleurd plaatje van het weefsel (een H&E-slaaf) om te zien hoe de cellen eruitzien. Dit is de "ouderwetse" manier, snel en goedkoop.
2. De moleculaire test doen: Ze moeten een stukje weefsel sturen naar een lab voor een dure en tijdrovende DNA-test (RNA-sequencing) om te zien welke genen aan- of uit staan. Dit geeft heel precies inzicht in hoe de kanker werkt, maar het kost veel geld en tijd.

De onderzoekers van dit paper (Arfa Jabin en Shandar Ahmad) wilden weten: Kunnen we die dure DNA-test overslaan? Kunnen we gewoon naar de microscopische foto kijken en met een slim computerprogramma (kunstmatige intelligentie) de moleculaire staat van de kanker "voorspellen"?

🧩 Het Probleem: De "Vertaalprobleem"

Tot nu toe hebben computers geprobeerd dit als volgt te doen:

1. Ze kijken naar de foto.
2. Ze proberen te raden welke genen actief zijn (alsof ze proberen elk woord in een boek te raden).
3. Ze nemen die geraden woorden en zetten ze om in een lijst met processen (zoals "immuunsysteem aan" of "celgroei actief").

Het probleem hiermee is dat het raden van duizenden losse woorden (genen) erg lastig is. Als je één woord verkeerd raadt, kan de hele zin (het proces) verkeerd worden begrepen. Het is alsof je probeert een heel boek te vertalen door eerst elk lettertje perfect te raden; als je één letter mist, is de zin onleesbaar.

🚀 De Oplossing: De "Directe Route"

De onderzoekers hebben een nieuwe, slimme manier bedacht. In plaats van eerst de losse woorden (genen) te raden, vragen ze de computer direct: "Wat voor verhaal wordt hier verteld?"

Ze hebben twee methodes getest op duizenden foto's van borstkankerweefsel:

1. De Indirecte Route (De oude manier):

   • Analogie: De computer kijkt naar de foto en probeert eerst de naam van elke individuele speler in een voetbalteam te raden. Pas daarna kijkt hij naar de lijst van spelers om te zien of het team "aanvallend" of "verdedigend" speelt.
   • Resultaat: Dit werkt, maar het is onnauwkeurig omdat het raden van de spelers te veel foutjes oplevert.

2. De Directe Route (De nieuwe manier):

   • Analogie: De computer kijkt naar de foto en ziet direct: "Aha! Dit team speelt een aanval!" Het kijkt niet naar de individuele spelers, maar naar het geheel van het veld.
   • Resultaat: Dit werkt veel beter! De computer herkent direct het patroon van de "aanval" (het biologische proces) zonder zich te laten storen door de details van de individuele spelers.

📊 Wat vonden ze?

De onderzoekers ontdekten dat de Directe Route veel nauwkeuriger was.

• De computer kon met bijna 93% zekerheid voorspellen welke biologische processen (zoals immuunreacties) actief waren, puur op basis van de foto.
• De Indirecte Route (eerst genen raden) was veel minder goed.

Waarom werkt dit?
Sommige dingen in het lichaam zijn als een luidruchtig feestje dat je al van ver hoort (zoals een aanval van het immuunsysteem of veranderingen in het weefsel). Dat zie je duidelijk op de foto.
Andere dingen zijn als fluisterende gesprekken in een kamer (zoals hormoonsignalen). Die zijn heel lastig te zien op een foto, omdat ze zich binnenin de cellen afspelen. De computer is dus heel goed in het zien van de "feestjes" (weefselveranderingen), maar minder goed in het horen van de "fluisteringen" (individuele genen).

💡 Wat betekent dit voor de toekomst?

Dit onderzoek is een grote stap voorwaarts voor de medische wereld:

• Snelheid en Kosten: Artsen zouden in de toekomst misschien geen dure DNA-tests meer hoeven te doen voor bepaalde vragen. Ze kunnen gewoon naar de microscopische foto kijken en de computer laat direct zien welke behandelingen waarschijnlijk werken.
• Betere Zorg: Omdat de computer direct de "grote lijnen" ziet, krijgen patiënten sneller de juiste diagnose en behandeling.

Kort samengevat:
De onderzoekers hebben bewezen dat je niet hoeft te proberen elk klein detail (elk gen) te begrijpen om het grote plaatje te zien. Soms is het slimmer om direct naar het verhaal te kijken dat de foto vertelt, in plaats van eerst te proberen elk woord in dat verhaal te raden. Dit maakt de diagnose van kanker sneller, goedkoper en nauwkeuriger.

Technische samenvatting

Probleemstelling

Moleculaire profilering van tumoren via RNA-sequencing (RNA-seq) biedt waardevolle inzichten voor klinische stratificatie, maar is kostbaar, vereist veel weefsel en is tijdrovend. Hoewel diep leren (deep learning) in de digitale pathologie succesvol is in het koppelen van morfologie aan moleculaire fenotypes (zoals mutaties of transcriptieprofielen), blijven de meeste bestaande methoden gericht op het voorspellen van individuele genen.
Het voorspellen van biologische paden (pathways) is vaak robuuster en klinisch actievere dan het voorspellen van enkelvoudige genen. Echter, het is onduidelijk wat de meest effectieve strategie is om pad-activiteit af te leiden uit histopathologische beelden (H&E Whole Slide Images of WSIs):

1. Indirecte aanpak: Eerst de genexpressie voorspellen vanuit het beeld, en vervolgens op basis van deze voorspelde expressie pad-activiteit afleiden.
2. Directe aanpak: Pad-activiteit direct voorspellen vanuit de beeldfeatures, zonder de tussenstap van genexpressie.

De auteurs onderzoeken welke van deze twee benaderingen beter presteert in het voorspellen van verrijkte paden in borstkanker (TCGA-BRCA).

Methodologie

1. Dataset en Cohort:

• Bron: TCGA Breast Invasive Carcinoma (TCGA-BRCA) dataset via het NCI Genomic Data Commons.
• Cohort: Na kwaliteitscontrole (QC) en filtering werden 987 patiënten geselecteerd met zowel volledige RNA-seq-data als bruikbare Whole Slide Images (WSI's).
• Doel: Het voorspellen van de activiteit van 40 geselecteerde KEGG-paden (na filtering van te algemene of te zeldzame paden).

2. Beeldverwerking (Preprocessing):

• Tissue Masking: Gebruik van OpenSlide en PIL/Pillow. Kleurdeconvolutie (HED) en contrastverbetering (CLAHE) werden toegepast.
• Segmentatie: Otsu-thresholding en morfologische operaties (erosie/dilatatie) om achtergrond en artefacten (zoals inktvlekken) te verwijderen.
• Tiling: Beelden werden opgedeeld in niet-overlappende tegels van 224x224 pixels. Tegels met minder dan 20% weefselinhoud werden verworpen. Per WSI werden maximaal 8.000 tegels behouden.

3. Feature Extractie:

• Backbone: Een ResNet50 (voorgetraind op ImageNet) werd gebruikt om embeddings te genereren voor elke tegel. De classificatiehead werd verwijderd en features werden gehaald uit de Global Average Pooling (GAP) laag, resulterend in 2048-dimensionale vectoren per tegel.
• Aggregatie: De features van alle tegels per patiënt werden geaggregeerd tot een slide-level representatie.

4. Twee Modelleringstrategieën:

• Indirecte Methode (GE-mediated):
  • Stap 1: Een regressiemodel (MLP met SiLU-activatie, LayerNorm, Dropout) voorspelt de genexpressiewaarden (FPKM-UQ) vanuit de WSI-features.
  • Stap 2: De voorspelde genexpressiewaarden worden gebruikt om pad-activiteit te berekenen via Over-Representation Analysis (ORA).
• Directe Methode:
  • Een classificatiemodel (MLP) wordt direct getraind om de binair gecodeerde activiteit van de 40 paden te voorspellen vanuit de WSI-features.
  • Class Imbalance: SMOTE (Synthetic Minority Over-sampling Technique) werd gebruikt om onevenwicht in de data aan te pakken.

5. Evaluatie:

• Metrieken: Pearson/Spearman correlatie, MSE (voor regressie), en Matthews Correlation Coefficient (MCC) en AUROC (voor classificatie).
• Validatie: Stratified splitsing, AdamW-optimizer, vroege stopconditie (early stopping) en consensus over meerdere random seeds.

Belangrijkste Resultaten

• Prestatieverschil: De directe aanpak overtrof de indirecte aanpak aanzienlijk.
  • Directe Methode: Bereikte een gemiddelde AUROC van 0,931 en een gemiddelde MCC van 0,729.
  • Indirecte Methode: De MCC was aanzienlijk lager, rond de 0,64. De indirecte methode had ook te kampen met lage precisie en recall bij verschillende p-waarde drempels (zie Tabel 2 in het artikel).
• Pad-specifieke prestaties: Paden gerelateerd aan het immuunsysteem en de micro-omgeving (bijv. lymfocyt-infiltratie, stromale remodeling) toonden de hoogste voorspelbaarheid. Dit komt omdat deze processen sterke, ruimtelijk expliciete morfologische kenmerken hebben die goed zichtbaar zijn in H&E-beelden.
• Moeilijkere paden: Hormonale signaalpaden (bijv. oestrogeen) waren minder goed voorspelbaar, wat consistent is met het idee dat intracellulaire signalering minder direct zichtbaar is in de weefselarchitectuur.

Bijdragen en Significantie

1. Validatie van Directe Voorspelling: Het artikel levert bewijs dat het direct trainen van modellen voor pad-activiteit effectiever is dan het omwegen via genexpressie-voorspelling. Dit suggereert dat de "ruis" die ontstaat bij het voorspellen van duizenden individuele genen, de uiteindelijke pad-voorspelling negatief beïnvloedt.
2. Klinische Toepassing: De resultaten ondersteunen het concept van "virtuele moleculaire profilering". Klinici zouden in de toekomst pad-activiteit kunnen afleiden uit routine H&E-slaides zonder dure RNA-seq-tests, wat de diagnose en behandelingstijd kan verkorten.
3. Biologische Inzicht: De studie benadrukt dat de voorspelbaarheid van een pad sterk afhankelijk is van hoe direct de biologie van dat pad zich manifesteert in de histomorfologie. Micro-omgevingsprocessen zijn het meest zichtbaar, terwijl intracellulaire signalering mogelijk multimodale benaderingen vereist.
4. Methodologische Richting: Voor toekomstige studies in computational pathology wordt aanbevolen om te focussen op het direct modelleren van systemische toestanden (paden) in plaats van alleen op individuele moleculaire markers, tenzij gen-niveau interpretatie specifiek vereist is.

Conclusie:
De auteurs tonen aan dat een directe deep-learning pipeline voor het voorspellen van pathway-enrichment vanuit histopathologische beelden superieur is aan de huidige state-of-the-art indirecte methode. Dit opent de weg voor efficiëntere, kosteneffectieve en snellere moleculaire diagnostiek op basis van standaard weefselkleuringen.