A spatial AI-based biomarker with independent prognostic value in early low- and intermediate- risk breast cancer

Borstkanker is een ziekte waarbij de eigen cellen van het lichaam ongecontroleerd beginnen te groeien, en voor veel vrouwen betreft de meest voorkomende vorm cellen die worden gedreven door oestrogeen maar niet reageren op een eiwit genaamd HER2. Artsen weten al lang dat sommige van deze kankersvormen zeer traag groeien en onwaarschijnlijk terugkeren na een operatie, terwijl andere agressiever zijn. Om te beslissen wie extra behandeling nodig heeft, zoals chemotherapie, kijken pathologen naar weefselmonsters onder een microscoop. Ze kennen een graad toe aan de tumor op basis van hoe abnormaal de cellen eruitzien; een lage graad betekent meestal een betere prognose, terwijl een hoge graad wijst op een hoger risico. Dit systeem is echter niet perfect. Veel patiënten met tumoren die er slechts matig abnormaal uitzien, lopen nog steeds het risico dat de kanker jaren later terugkeert, terwijl anderen met vergelijkbare tumoren volledig gezond blijven. De uitdaging is om een manier te vinden om het verschil tussen deze twee groepen te bepalen zonder te vertrouwen op dure genetische tests of gokwerk.

Een team van onderzoekers in Zweden heeft een nieuwe manier ontwikkeld om naar deze weefselmonsters te kijken met behulp van kunstmatige intelligentie. In plaats van alleen de hele tumor één gemiddelde score te geven, besteedt hun methode nauwlettende aandacht aan waar specifieke patronen verschijnen op de preparaat. Ze ontdekten dat de locatie van gevaarlijk uitziende cellen net zo belangrijk is als hoeveel het er zijn. Specifiek ontdekten ze dat wanneer clusters van hoogrisico-cellen samenkomen aan de uiterste rand van de tumor, waar deze het gezonde weefsel raakt, het risico op terugkeer van de kanker aanzienlijk hoger is. Deze bevinding biedt een nieuwe tool om te identificeren welke patiënten echt een agressievere behandeling nodig hebben en welke zij deze veilig kunnen vermijden, en dat alles door gebruik te maken van de standaard microscooppreparaten die ziekenhuizen al hebben.

De onderzoekers begonnen met een simpel idee: dat de manier waarop een tumor in de ruimte is georganiseerd, geheimen bevat die een eenvoudige gemiddelde score mist. Stel je een tumor niet voor als een uniforme vlek, maar als een landschap met verschillende buurten. Sommige delen zien er misschien rustig en geordend uit, terwijl andere chaotisch en agressief zijn. Jarenlang zijn AI-modellen die gebruikt worden om deze preparaten te analyseren, getraind om naar de volledige afbeelding te kijken en één enkel getal te produceren dat het algemene risico vertegenwoordigt. Hoewel deze modellen krachtig zijn, middelen ze de details vaak uit, waarbij ze de chaotische randen met de rustige centra mengen tot één enkele, verdunde score. Het team achter deze studie, werkend met gegevens van duizenden patiënten in heel Zweden, veronderstelde dat als ze precies in kaart konden brengen waar de gevaarlijke delen zich bevonden, ze een duidelijker signaal zouden kunnen vinden. Ze richtten hun aandacht op de "invasieve front", de buitenste grens van de tumor waar kankercellen interageren met en zich in het omliggende gezonde weefsel nestelen. Dit is een biologisch actieve zone waar cellen vaak van vorm veranderen om mobieler en invasiever te worden.

Om dit te testen, gebruikten de wetenschappers een enorme dataset van weefselmonsters van meer dan 6.000 vrouwen met borstkanker in een vroeg stadium. Ze verdeelden deze patiënten in twee groepen: één groep om hun computermodellen te trainen en een volledig aparte groep om de resultaten te testen, om er zeker van te zijn dat de bevindingen niet slechts een gelukkige gok waren. Ze gebruikten een geavanceerd AI-systeem om elk microscooppreparaat op te delen in duizenden piepkleine vierkantjes, of tegels, en analyseerden de vorm en structuur van de cellen in elk daarvan. De AI werd getraind om patronen te herkennen die lijken op hooggradige, agressieve kanker. Zodra de AI elke enkele tegel had gescoord, deden de onderzoekers iets anders dan in eerdere studies. In plaats van alleen te tellen hoeveel hoogrisico-tegels er waren, keken ze naar clusters. Ze stelden een specifieke vraag: zijn er groepen van deze hoogrisico-tegels die direct naast elkaar liggen aan de uiterste rand van de tumor? Ze definieerden een "cluster" als een groep waar ten minste twee derde van de naburige tegels ook hoogrisico waren. Als een dergelijk cluster aan de voorzijde van de tumor aanwezig was, werd de patiënt als "cluster-positief" gemarkeerd.

De resultaten waren opmerkelijk. Bij de groep patiënten met tumoren die over het algemeen als laag- tot intermediair risico werden beschouwd, veranderde de aanwezigheid van deze clusters aan de tumorrand de prognose volledig. Bij patiënten met deze clusters was het risico op terugkeer van de kanker binnen tien jaar aanzienlijk hoger. Sterker nog, de gegevens toonden aan dat patiënten met deze clusters een tienjaars overlevingskans zonder terugkeer van ongeveer 90 procent hadden, wat lager is dan de 92,6 procente overlevingskans die werd waargenomen in de Graad 3 referentiegroep. Aan de andere kant hadden patiënten die deze clusters aan de tumorrand niet hadden, een uitstekende prognose, met een tienjaars overlevingskans van meer dan 95 procent. Deze groep van "cluster-negatieve" patiënten deed het net zo goed als de groep met de allerlaagst-graduele tumoren, wat suggereert dat zij behandeld kunnen worden met minder agressieve therapie.

Cruciaal was dat deze nieuwe marker informatie bood die de standaard AI-score niet uit zichzelf kon zien. De onderzoekers ontdekten dat zelfs onder patiënten wier tumoren door de algemene AI-score als laag risico werden geclassificeerd, de aanwezigheid van deze specifieke clusters aan de rand nog steeds een veel hoger risico op terugkeer betekende. Dit betekent dat de ruimtelijke ordening van de cellen een verborgen gevaar onthulde dat een eenvoudige gemiddelde score had gemist. De studie bevestigde deze bevindingen in een onafhankelijke groep patiënten uit een andere regio van Zweden, wat bewees dat het resultaat niet specifiek was voor één ziekenhuis of één set preparaten. De aanwezigheid van deze clusters was gekoppeld aan een bijna driedubbel zo hoog risico op terugkeer, een sterk signaal dat standhield, zelfs toen de onderzoekers rekening hielden met andere factoren zoals de leeftijd van de patiënt of de grootte van de tumor.

Dit werk suggereert dat de toekomst van de risicobeoordeling bij kanker kan liggen in het kijken naar de kaart van een tumor, en niet alleen naar de gemiddelde score. Door de ruimtelijke informatie over waar de hoogrisico-cellen zich bevinden te bewaren, kunnen artsen mogelijk de patiënten identificeren die werkelijk een risico lopen, zelfs als hun tumor er grotendeels onschadelijk uitziet. Voor de patiënten die deze clusters niet hebben, is het nieuws even belangrijk: het biedt sterk bewijs dat zij tot een zeer laag risicogroep behoren, wat hen potentieel kan sparen van onnodige behandelingen. De studie beweert niet het probleem van borstkanker te hebben opgelost, maar biedt een duidelijke, concrete methode om de manier waarop artsen risico begrijpen te verfijnen. Het laat zien dat in het complexe landschap van een tumor de locatie van het gevaar even belangrijk is als het gevaar zelf.