Development and validation of a knowledge-guided prognostic model in glioma based on hypoxia-related radiomic features

Hersentumoren die bekend staan als gliomen behoren tot de meest uitdagende ziekten om te behandelen. Ze ontstaan uit de ondersteunende cellen van het centrale zenuwstelsel en staan bekend om hun vermogen om te veranderen en zich aan te passen, wat ze moeilijk voorspelbaar of controleerbaar maakt. Een cruciale factor in hoe deze tumoren zich gedragen, is een conditie genaamd hypoxie, wat simpelweg een gebrek aan zuurstof betekent. Wanneer een tumor te snel groeit voor zijn bloedtoevoer om het bij te houden, beginnen de binnenste cellen te verstikken. Deze zuurstofhonger is niet slechts een passieve staat; het fungeert als een krachtige drijfveer die de kanker agressiever maakt, helpt bij het resistent worden tegen behandelingen en vaak leidt tot een slechtere uitkomst voor de patiënt. Decennialang hebben artsen geprobeerd deze zuurstoftekort te meten zonder invasieve chirurgie, waardoor ze moesten gokken naar de ware aard van de ziekte in de schedel van een patiënt.

Onderzoekers hopen al lang dat medische beelden een venster kunnen bieden op deze verborgen biologie. Het veld van radiomics probeert precies dat te doen door computers te gebruiken om patronen te vinden in standaard MRI-scans die te subtiel zijn voor het menselijk oog. Veel eerdere pogingen om deze beeldpatronen te koppelen aan het overlevingspercentage van patiënten waren echter een kwestie van succes of falen, vaak omdat de computers de vrijheid kregen om patronen op eigen houtje te vinden zonder biologische begeleiding. Een nieuwe studie van een team van de Soochow Universiteit en verbonden ziekenhuizen in China probeert deze aanpak te veranderen. In plaats van de computer te laten gissen, hebben zij een model gebouwd dat gebruikmaakt van wat wetenschappers al weten over hoe tumoren reageren op een laag zuurstofgehalte om de zoektocht te sturen. Door deze biologische kennis te combineren met geavanceerde beeldanalyse, creëerden zij een hulpmiddel dat kan voorspellen hoe lang een patiënt met een glioma waarschijnlijk zal leven, wat een duidelijkere weg biedt naar gepersonaliseerde zorg.

Het team begon met het verzamelen van gegevens van 471 patiënten uit twee verschillende ziekenhuizen en een publieke database. Ze richtten zich op patiënten die een operatie hadden ondergaan en die over pre-operatieve MRI-scans beschikten die waren gemaakt met krachtige apparaten. Deze scans bevatten drie verschillende soorten beelden: standaard zwart-wit weergaven, beelden die vloeistof benadrukken, en beelden die zijn genomen nadat een contrastmiddel is geïnjecteerd om te tonen waar de bloedvaten actief zijn. Voordat de computer de beelden kon analyseren, hebben twee deskundige radiologen met jarenlange ervaring zorgvuldig contouren getrokken rond de tumoren en de zwelling die de tumor omringt op elke doorsnede van de scan. Dit zorgde ervoor dat de computer in elk patiëntengeval naar exact dezelfde gebieden keek.

Om de computer te leren hoe "laag zuurstofgehalte" eruitziet in een tumor, heeft het onderzoeksteam zich eerst tot een database met genetische informatie gewend. Ze analyseerden de genen van tumorstalen van 152 patiënten om een score te berekenen die vertegenwoordigde in hoeverre de tumor worstelde met een gebrek aan zuurstof. Deze genetische score diende als de 'ground truth', de biologische realiteit waartegen de beelden zouden worden getest. Vervolgens gebruikten ze een computeralgoritme om duizenden minuscule details uit de MRI-scans te extraheren, zoals de textuur van de tumor, de vorm en de intensiteit van de pixels. Het doel was om te vinden welke van deze duizenden beelddetails overeenkwamen met de genetische tekenen van een laag zuurstofgehalte.

De onderzoekers pasten vervolgens een unieke strategie toe om hun voorspellingsmodel te bouwen. Ze verdeelden de beelddetails in twee groepen: de details die waarschijnlijk gerelateerd waren aan een laag zuurstofgehalte en de details die dat niet waren. Wanneer ze de computer trainden om de overleving van patiënten te voorspellen, gaven ze de groep "laag zuurstofgehalte" een speciaal voordeel door het model te vertellen extra aandacht te besteden aan deze specifieke kenmerken. Deze door kennis geleide aanpak betekende dat het model niet alleen zocht naar elk patroon dat correleerde met overleving, maar specifiek zocht naar patronen die biologisch zinvol waren. Ze testten vijf verschillende soorten computerleer-methoden om te zien welke het beste werkte bij het identificeren van de zuurstofstatus van de tumoren, en een standaard statistische methode genaamd logistische regressie kwam als de meest nauwkeurige naar voren.

De resultaten lieten zien dat dit nieuwe model opmerkelijk goed werkte. Wanneer de onderzoekers het model gebruikten om patiënten in hoog-risico en laag-risico groepen te verdelen, was het verschil in hun overlevingsresultaten groot. Patiënten in de hoog-risicogroep, wier tumoren de specifieke beeldpatronen vertoonden die gekoppeld zijn aan een laag zuurstofgehalte, leefden aanzienlijk korter dan patiënten in de laag-risicogroep. Het model was in staat om de overleving met hoge nauwkeurigheid te voorspellen, waarbij het in de overgrote meerderheid van de gevallen de uitkomsten voor drie jaar correct identificeerde. In één ziekenhuiscentrum behaalde het model een AUC van 0,926 voor de driejaarlijkse overleving, en in het tweede centrum behaalde het een AUC van 0,833. Deze cijfers bleven standhouden zelfs toen het model werd getest op volledig andere groepen patiënten, wat suggereert dat het niet slechts een gelukkige gok was op één dataset.

Naast het voorspellen van de overleving, bood de studie ook een diepere blik op waarom deze tumoren zo gevaarlijk zijn. De onderzoekers ontdekten dat de hoog-risicotumoren, geïdentificeerd door de beeldpatronen, biologisch gezien verschillend waren. Ze waren gevuld met meer van een specifiek type cel genaamd een stromale fibroblast, die helpt bij het bouwen van het structurele kader van de tumor. Deze dichte omgeving maakt het waarschijnlijk moeilijker voor het immuunsysteem om de kanker te bestrijden en moeilijker voor medicijnen om de tumorcellen te bereiken. De beeldpatronen correleerden ook sterk met markers van het immuunsysteem, wat suggereert dat de manier waarop een tumor eruitziet op een MRI een directe reflectie is van de complexe strijd die binnenin plaatsvindt tussen de kanker en de afweer van het lichaam.

De studie benadrukte ook de beperkingen van hun werk. De onderzoekers merkten op dat het proces van het handmatig tekenen van de tumorcontouren erg tijdrovend was voor de artsen, en dat de studie vertrouwde op standaard MRI-scans in plaats van meer geavanceerde, gespecialiseerde beeldvormingstechnieken. Ze wezen er ook op dat hoewel het model goed presteerde, het gebouwd was op historische data, en dat toekomstige studies het in een real-time klinische setting moeten testen om te zien of het daadwerkelijk behandelbeslissingen kan sturen. Ondanks deze kanttekeningen suggereren de bevindingen dat, door computers te leren zoeken naar de juiste biologische aanwijzingen, artsen binnenkort een niet-invasieve manier kunnen hebben om de verborgen agressiviteit van een hersentumor te begrijpen. Dit zou hen in staat stellen om behandelingen nauwkeuriger af te stemmen, waarbij de focus ligt op de patiënten die de meest agressieve zorg nodig hebben, terwijl anderen worden gespaard van onnodige toxiciteit. Het werk vormt een stap naar een toekomst waarin het beeld van een tumor een compleet verhaal vertelt, niet alleen van de omvang, maar ook van de biologie en het waarschijnlijke lot ervan.