Predicting EGFR-TKI resistance in EGFR-mutant lung adenocarcinoma from H&E histopathology with weakly supervised multiple-instance learning
Deze studie toont aan dat een lichtgewicht, zwak gesuperviseerd deep-learning framework dat gebruikmaakt van gated-attention multiple-instance learning op routinematige H&E whole-slide images nauwkeurig EGFR-TKI-resistentie in EGFR-gemuteerde longadenocarcinoom kan voorspellen door een latente morfologische risicofenotype te identificeren die wordt gekenmerkt door specifieke nucleaire kenmerken en geassocieerd is met TP53 co-mutaties.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de strijd tegen longkanker wenden artsen zich vaak tot een klasse medicijnen die tyrosinekinaseremmers worden genoemd om specifieke genetische fouten binnen tumorcellen aan te pakken. Deze medicijnen werken opmerkelijk goed voor een grote groep patiënten waarvan de kanker een mutatie draagt in een gen dat bekend staat als EGFR, maar ze zijn geen wondermiddel. Na verloop van tijd leert de kanker bij bijna elke patiënt de behandeling te weerstaan, waardoor de ziekte terugkeert. Momenteel vereist het uitzoeken of een patiënt op deze medicijnen zal reageren of resistentie zal ontwikkelen, invasieve procedures, zoals het nemen van nieuwe weefselmonsters of het afnemen van bloed, en het uitvoeren van dure genetische tests. Zelfs dan kunnen deze methoden de complexe, verschuivende aard van de tumor missen. Dit laat een kritieke kloof achter: een behoefte aan een manier om het succes van de behandeling vroegtijdig te voorspellen, met hulpmiddelen die al standaard in ziekenhuizen aanwezig zijn en geen nieuwe biopten vereisen.
Onderzoekers hebben zich gericht op de bescheiden microscooppreparaat, het gekleurde weefselmonster dat pathologen al meer dan een eeuw onderzoeken. Deze dia's, gekleurd met roze en paarse kleurstoffen, onthullen de architectuur van de tumor. Hoewel het menselijk oog duidelijke tekenen van ziekte kan opmerken, zijn de subtiele patronen die signaleren of een tumor resistent zal zijn tegen medicatie vaak te zwak om te zien. Een team wetenschappers van de Hebei Medical University en verbonden ziekenhuizen in China heeft een nieuwe methode ontwikkeld om deze verborgen signalen te lezen. Ze hebben een computersysteem gecreëerd dat naar het volledige digitale beeld van een weefseldia kijkt en leert de microscopische aanwijzingen te herkennen die een tumor die op de behandeling zal reageren onderscheiden van een tumor die dat niet zal doen.
Het team richtte zich op 100 patiënten met een specifiek type longkanker, longadenocarcinoom, die allemaal de EGFR-mutatie hadden en op het punt stonden met de behandeling te beginnen. Ze verzamelden de standaard weefseldia's die werden genomen voordat de patiënten aan hun therapie begonnen. In plaats van een arts te vragen om lijnen rond elke individuele cel te tekenen om de computer te leren, wat ongelooflijk traag en moeilijk zou zijn, gebruikten ze een techniek genaamd zwak gesuperviseerd leren (weakly supervised learning). In deze benadering wordt de hele dia aan de computer getoond en wordt deze alleen verteld wat de uiteindelijke uitkomst was: reageerde de patiënt op het medicijn, of vorderde de ziekte? De computer ontdekt vervolgens zelf welke kleine delen van de afbeelding verantwoordelijk zijn voor die uitkomst. Het breekt de enorme dia op in duizenden kleine, hanteerbare stukjes, analyseert de kenmerken van elk stukje en leert de belangrijkste hiervan te wegen om een uiteindelijke voorspelling te doen.
Het door hen gebouwde computermodel bleek zeer effectief. Bij tests voorspelde het de behandeluitkomst correct in ongeveer 89 procent van de gevallen, een nauwkeurigheidsniveau dat andere veelvoorkomende methoden die de onderzoekers probeerden, overtrof. Het systeem gokte niet alleen; het leerde zich te concentreren op specifieke gebieden van het weefsel die er het meest toe deden. Door te kijken naar waar de computer de aandacht op vestigde, ontdekten de onderzoekers dat het model een duidelijke biologische handtekening identificeerde in de resistente tumoren. Deze tumoren vertoonden tekenen van chaos op cellulair niveau: de cellen zaten dichter op elkaar gepakt, hun vormen waren onregelmatiger en hun kernen — de controlecentra van de cellen — waren groter en meer verstoord dan in tumoren die goed op de behandeling reageerden.
Specifiek hadden de kernen in de resistente groep een gemiddelde oppervlakte van 78,3 vierkante micrometer, vergeleken met 62,7 vierkante micrometer in de gevoelige groep. De verhouding tussen de grootte van de kern en de rest van de cel was ook hoger in de resistente gevallen, en de textuur van het genetisch materiaal binnen de kern was chaotischer. Deze wanorde is niet willekeurig; het is gekoppeld aan een diepere genetische instabiliteit. De studie vond dat patiënten wiens tumoren deze chaotische patronen vertoonden, veel grotere kans hadden op een tweede mutatie in een gen genaamd TP53, dat bekend staat om het helpen van cellen bij het herstellen van schade. In de groep die door de computer als resistent werd voorspeld, had 62,5 procent deze TP53-mutatie, vergeleken met slechts 38,3 procent in de groep die voorspeld werd goed te reageren. Dit suggereert dat de computer niet alleen willekeurige ruis ziet, maar daadwerkelijk de fysieke voetafdruk detecteert van een tumor die genetisch instabiel en daarom moeilijker te beheersen is.
De onderzoekers testten ook of deze methode anders werkte afhankelijk van het specifieke type EGFR-mutatie dat de patiënt had. De computer presteerde iets beter voor patiënten met één veelvoorkomend type mutatie, waarbij de behandeluitkomst in 90 procent van die gevallen correct werd voorspeld, vergeleken met 87 procent voor het andere type. Dit verschil suggereert dat de fysieke structuur van de tumor licht kan variëren afhankelijk van de genetische fout die de tumor aanstuurt, maar de algemene benadering bleef robuust over de hele linie. Het systeem behaalde deze resultaten zonder dat er speciale apparatuur nodig was, afgezien van een standaard digitale microscoopscanner en een computer, wat het een potentieel toegankelijke tool maakt voor ziekenhuizen die niet beschikken over geavanceerde genetische testmogelijkheden.
Hoewel de resultaten veelbelovend zijn, merken de onderzoekers er voorzichtig bij op dat dit een voorlopige stap is. De studie werd uitgevoerd op een relatief kleine groep patiënten uit twee ziekenhuizen, en het model is nog niet getest op een volledig andere set patiënten van andere instellingen. De computer is geen kristallen bol die de toekomst kan zien, maar eerder een geavanceerde patroonherkenner die heeft geleerd de visuele chaos van een weefseldia te koppelen aan de klinische realiteit van medicijnresistentie. Het biedt een nieuwe manier om naar oude gegevens te kijken, en suggereert dat de antwoorden op sommige van de moeilijkste vragen in de kankerbehandeling zich al in de archieven van pathologielaboratoria bevinden, wachtend om gelezen te worden door een machine die weet waar hij naar moet zoeken. Als toekomstige studies deze bevindingen bevestigen, kan deze benadering artsen helpen om eerder te beslissen welke patiënten behoefte hebben aan intensievere monitoring of alternatieve behandelingen, waardoor anderen worden gespaard van ineffectieve therapieën en zij een betere kans krijgen om hun ziekte te beheersen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.