Quantitative assessment of collagen architecture from routine histopathological images shows concordance with Second Harmonic Generation microscopy

Deze studie toont aan dat kwantitatieve analyse van routine histopathologische beelden een schaalbare en klinisch toegankelijke methode biedt om de collageenarchitectuur in tumorweefsel te beoordelen, met resultaten die sterk overeenkomen met die van gespecialiseerde Second Harmonic Generation-microscopie.

De kern

Hoe we de "bouwplaat" van kanker kunnen lezen met een simpele foto in plaats van een dure laser

Stel je voor dat een tumor niet alleen bestaat uit kankercellen, maar ook uit een enorm ingewikkeld netwerk van vezels. Dit netwerk is gemaakt van collageen (een soort lijm of steunvezel). In een gezond lichaam is dit netwerk netjes en geordend, maar bij kanker wordt het vaak chaotisch, dikker of juist strakker gespannen, wat de kanker helpt om te groeien en zich te verspreiden.

Vroeger was het heel moeilijk om dit collageen-netwerk goed te bekijken. Wetenschappers gebruikten daarvoor een heel speciale, dure techniek genaamd SHG-microscopie.

• De analogie: Denk aan SHG als een laser-sonar die door een muur kan kijken en precies ziet waar de stalen balken zitten, zonder dat je de muur hoeft te slopen. Het is extreem nauwkeurig, maar de apparatuur is duur als een Formule 1-auto en alleen experts kunnen ermee rijden.

Het probleem:
Klinieken hebben geen Formule 1-auto's. Ze hebben simpele, betrouwbare auto's nodig. In de ziekenhuizen worden weefselstalen al decennia lang gekleurd met een simpele verf (een trichroom-kleuring) en gefotografeerd met een gewone microscoop. De vraag was: Kunnen we met deze simpele foto's en slimme computerprogramma's net zo goed zien hoe het collageen-netwerk eruitziet als met die dure laser?

Wat hebben de onderzoekers gedaan?
Ze namen weefsel van borstkankerpatiënten en deden twee dingen tegelijk:

1. Ze keken naar het weefsel met de dure SHG-laser (de "Formule 1").
2. Ze keken naar exact hetzelfde stukje weefsel, maar dan gefotografeerd met een gewone digitale scanner (de "gewone auto") die de gekleurde weefselstalen in beeld bracht.

Daarna lieten ze twee soorten computersystemen aan de slag gaan om de foto's te analyseren:

• Systeem A: Een traditioneel computerprogramma (zoals een slimme rekenmachine).
• Systeem B: Een Machine Learning-programma (een kunstmatige intelligentie die leert door te kijken, net als een kind dat leert een hond te herkennen).

De verrassende uitkomst:
Het resultaat was geweldig! De computerprogramma's die naar de simpele, gekleurde foto's keken, vonden bijna precies dezelfde patronen als de dure laser.

• Ze konden precies meten hoeveel collageen er was.
• Ze zagen hoe de vezels lagen (recht of krom).
• Ze zagen hoe dicht het netwerk was.

Het was alsof je met een simpele smartphonefoto van een bos net zo goed het aantal bomen en de richting van de takken kon tellen als met een dure drone met een thermische camera.

Waarom is dit belangrijk?

1. Toegankelijkheid: Elke kankercentrum heeft al digitale scanners en gekleurde weefselstalen. Ze hoeven geen miljoenen te investeren in dure lasers.
2. Schaalbaarheid: Je kunt duizenden patiënten in één keer analyseren in plaats van maar een paar.
3. Toekomst: Omdat de computer nu weet hoe het collageen-netwerk eruitziet bij kanker, kunnen artsen in de toekomst misschien sneller voorspellen of een tumor agressief is of niet, gewoon door naar de digitale foto te kijken.

Kort samengevat:
De onderzoekers hebben bewezen dat je geen dure, speciale apparatuur nodig hebt om de "bouwplaat" van kanker te begrijpen. Met slimme software en de simpele foto's die we al hebben, kunnen we net zo goed zien wat er in het weefsel gebeurt. Het is een stap in de richting van een betere, goedkopere en snellere diagnose voor iedereen.

Technische samenvatting

Probleemstelling

De organisatie van collageen in het tumormicro-omgeving speelt een cruciale rol bij de progressie van kanker en fungeert als een belangrijke structurele biomarker. Second Harmonic Generation (SHG)-microscopie wordt beschouwd als de "gouden standaard" voor het label-vrij visualiseren en kwantificeren van fibrillair collageen. Echter, de toepassing ervan in de klinische routine wordt beperkt door:

• Hoge kosten en gespecialiseerde instrumentatie.
• Beperkt gezichtsveld (Field of View).
• De noodzaak van gespecialiseerd personeel.
• Het feit dat routine histopathologie vaak gebruikmaakt van gekleurde secties (zoals Masson-Goldner's Trichroom), terwijl SHG traditioneel op ongekleurde secties wordt toegepast.

Er bestaat een translatiekloof tussen de geavanceerde SHG-imaging en de schaalbare, klinisch toegankelijke digitale pathologie. De vraag is of kwantitatieve collageenkenmerken afgeleid van routine histopathologische beelden (digitale scans van gekleurde secties) kunnen overeenkomen met metingen van SHG-microscopie.

Methodologie

De studie onderzocht deze kloof door een systematische cross-modale vergelijking uit te voeren op Formaline-gefixeerde, in paraffine ingebedde (FFPE) borsttumorgeweven (goedaardige tumoren en invasieve ductale carcinomen met lage en hoge collageenafzetting).

1. Voorbereiding van monsters:

   • Van elk monster werden drie secties gemaakt: ongeklaard, H&E-gekleurd en Masson-Goldner's Trichroom gekleurd.
   • Eerst werd de compatibiliteit van SHG-imaging met Trichroom-gestainde secties gevalideerd door de SHG-signalen te vergelijken met die van ongeklaarde en H&E-secties.

2. Imaging:

   • SHG-microscopie: Uitgevoerd met een niet-lineaire optische microscoop (gepompd door een femtosecond laser) om SHG-signalen (400 nm) en Two-Photon Excitation Fluorescence (TPEF) te verzamelen. Geselecteerde gebieden van belang (ROIs) van 500 x 500 µm werden gestitched.
   • Digitale Pathologie (WSI): Dezelfde Trichroom-gestainde glijdjes werden gescand met een brightfield scanner (OptraScan) bij 400x vergroting.

3. Computational Analysis Pipelines:
   Voor de analyse van de digitale beelden werden twee onafhankelijke methoden gebruikt om de SHG-resultaten te vergelijken:

   • Conventionele ImageJ-workflow (TWOMBLI): Gebruikte macro's voor binarisatie, skeletalisatie en berekening van parameters zoals eindpunten, takpunten, coherentie en box-count.
   • Machine Learning (ML) pipeline: Een Python-gebaseerde aanpak met Gaussian smoothing, Mini-Batch K-Means clustering en een U-Net Convolutional Neural Network (CNN) voor segmentatie van collageenvezels. Hierbij werden ook circulaire variantie (orde/disorde) en vezelgetallen berekend.

4. Statistische Analyse:

   • Vergelijking van kwantitatieve parameters (collageenoppervlak, vezelaantal, uitlijning/coherentie) tussen de drie pipelines (SHG, TWOMBLI, ML) met behulp van Spearman-correlatie.
   • Toepassing van Kruskal-Wallis en Dunn's multiple comparison tests voor groepenvergelijkingen.

Belangrijkste Bijdragen

• Validatie van SHG op gekleurde secties: De studie toont aan dat SHG-imaging volledig compatibel is met Masson-Goldner's Trichroom-gestainde secties. Sterker nog, het signaal was soms zelfs sterker dan bij ongeklaarde secties, wat directe validatie op identieke weefselregio's mogelijk maakt.
• Kloof overbruggen: Het bewijst dat digitale pathologie, gekoppeld aan geavanceerde beeldanalyse (zowel conventioneel als ML), biologisch relevante collageenkenmerken kan extraheren die vergelijkbaar zijn met die van SHG.
• Dual-pipeline validatie: Het gebruik van twee verschillende computergestuurde methoden (TWOMBLI en ML) op dezelfde digitale beelden versterkt de robuustheid van de bevindingen en toont reproduceerbaarheid.

Resultaten

• Compatibiliteit: SHG-signalen werden consistent gedetecteerd in Trichroom-gestainde secties. De signaalsterkte was het hoogst bij Trichroom, gevolgd door H&E en ongeklaarde secties.
• Kwantitatieve Overeenkomst: Er werd een sterke positieve correlatie gevonden tussen SHG-metingen en digitale beeldanalyse voor:
  • Collageenoppervlak: Sterke correlatie (r = 0.6581 voor TWOMBLI vs SHG; r = 0.5472 voor ML vs SHG).
  • Vezeluitlijning (Coherentie): Zeer sterke correlatie (r = 0.6992 voor TWOMBLI vs SHG).
  • Vezelaantal: Significante, zij het zwakkere, correlaties.
• Prestatieverschillen:
  • SHG presteerde uitstekend bij gebieden met gebundeld en uitgelijnd collageen, maar vertoonde signaalverlies (ruis) bij gebieden met lage collageendichtheid.
  • Digitale beeldanalyse (zowel TWOMBLI als ML) was beter in het detecteren van de bredere heterogeniteit en behield details in gebieden met lage collageendichtheid waar SHG data verloor.
  • De ML-pipeline introduceerde succesvol de metriek "cirkulaire variantie" als maat voor disordening, wat een omgekeerde correlatie vertoonde met de coherentie-metriek.
• Onderlinge correlatie: De twee digitale pipelines (TWOMBLI en ML) correleerden zeer sterk met elkaar (r > 0.83 voor collageenoppervlak), wat de betrouwbaarheid van de digitale methoden bevestigt.

Betekenis en Conclusie

De studie concludeert dat digitale pathologie een schaalbaar, kosteneffectief en klinisch toegankelijk alternatief biedt voor de kwantificering van collageenarchitectuur in tumorgeweven.

• Klinische Impact: Omdat brightfield-microscopen en Trichroom-kleuringen standaard zijn in elke pathologieafdeling, kan deze methode direct worden geïmplementeerd zonder dure nieuwe hardware.
• Scalability: Digitale scans bieden een veel groter gezichtsveld dan SHG, waardoor de ruimtelijke heterogeniteit van het stroma over het hele tumorweefsel beter kan worden geëvalueerd.
• Toekomstperspectief: Hoewel SHG unieke moleculaire ordeningsinformatie biedt (via signaalintensiteit), kunnen digitale pipelines de meeste structurele en ruimtelijke kenmerken (oppervlak, dichtheid, uitlijning) nauwkeurig benaderen. Dit opent de deur voor het integreren van stromale biomarkers in routine kankerdiagnostiek en grootschalige klinische studies.

De auteurs benadrukken dat hoewel de studie beperkt was tot een klein aantal monsters, de methodologische doorbraak aanzienlijk is voor de vertaling van geavanceerde beeldvorming naar de dagelijkse klinische praktijk.