Association of clinicopathological features with spread through air spaces in non-small cell lung cancer: a retrospective machine-learning study
Deze retrospectieve machine learning-studie, die gebruikmaakt van 19 clinicopathologische kenmerken, stelde vast dat hoewel de beschikbare gegevens een matig onderscheidend signaal bezitten voor het voorspellen van verspreiding via luchtzakjes (STAS) bij niet-kleincellige longkanker, het resulterende model het best geschikt is als een verkennend instrument voor associatie in plaats van als een klinische beslissingshulp voor preoperatieve fase, vanwege de post-resectie timing van sleutelvoorspellers en suboptimale kalibratie.
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 het complexe landschap van de behandeling van longkanker staan chirurgen voor een cruciale beslissing bij elke operatie: hoeveel weefsel moet er worden verwijderd. Het doel is om de tumor volledig te verwijderen terwijl zoveel mogelijk gezond longweefsel behouden blijft, maar de keuze heeft gewicht. Als er te weinig wordt verwijderd, kan de kanker terugkeren; als er te veel wordt weggehaald, lijdt de kwaliteit van leven van de patiënt eronder. Decennialang hebben artsen vertrouwd op de grootte en het uiterlijk van de tumor om deze beslissing te nemen. Echter, een specifiek patroon van kankergedrag, bekend als "spreiding door luchtwegen" (spread through air spaces), is opgedoken als een verborgen dreiging. Dit patroon treedt op wanneer kankercellen loskomen van de hoofdtumormassa en door de kleine longblaasjes zweven, om zich vervolgens te vestigen in gebieden die met het blote oog gezond lijken. Wanneer dit gebeurt, is de kans groter dat de kanker na de operatie terugkeert, zelfs als de chirurg dacht dat hij alles had verwijderd. Het probleem is dat artsen dit gevaarlijke patroon pas kunnen bevestigen nadat de long is verwijderd en onder een microscoop is onderzocht, een moment waarop de beslissing over hoeveel er gesneden moet worden al is genomen.
Een team onderzoekers in Rusland begon te onderzoeken of zij deze verborgen dreiging konden voorspellen voordat de operatie überhaupt begint. Zij verzamelden gegevens van 230 patiënten die een operatie hadden ondergaan voor niet-kleincellige longkanker, een veelvoorkomend type van de ziekte. Het team gebruikte een geavanceerd computerprogramma, een vorm van kunstmatige intelligentie ontworpen om te leren van gestructureerde gegevens, om een breed scala aan informatie over elke patiënt te analyseren. Deze informatie omvatte de leeftijd van de patiënt, het specifieke type kankercellen, de grootte van de tumor en of de kanker bloedvaten of zenuwen had geïnvadeerd. Cruciaal was dat van de 19 variabelen die de computer analyseerde, alleen de leeftijd een feit was dat vóór de operatie bekend was; 11 van de kenmerken waren feitelijk postoperatieve kenmerken die pas konden worden vastgesteld nadat het weefsel was verwijderd en onderzocht. De computer werd getraind om te zoeken naar verbanden tussen deze factoren en de aanwezigheid van het patroon van "spreiding door luchtwegen", dat bij 81 van de patiënten werd bevestigd en bij de overige 149 afwezig was.
De onderzoekers ontdekten dat de computer inderdaad een signaal in de gegevens kon opmerken. Het was in staat om onderscheid te maken tussen patiënten met de gevaarlijke spreiding en patiënten zonder deze spreiding, beter dan op basis van toeval zou gebeuren. De signalering was echter niet sterk genoeg om een betrouwbare kristallen bol te zijn. Het model identificeerde de aanwezigheid van de spreiding correct in net iets meer dan de helft van de gevallen waarin deze daadwerkelijk aanwezig was, terwijl het de aanwezigheid ervan correct uitsloot in bijna vier van de vijf gevallen waarin deze afwezig was. Belangrijker nog, de onderzoekers realiseerden zich een fundamentele fout in het gebruik van deze specifieke set informatie voor beslissingen vóór de chirurgie: veel van de aanwijzingen die de computer gebruikte, zoals de exacte grootte van de tumor of de vraag of de tumor een zenuw had geïnvadeerd, zijn pas bekend nadat de chirurg het weefsel heeft verwijderd. Men kan de omvang van de invasie van een tumor in een bloedvat niet weten voordat men de tumor heeft verwijderd en eronder heeft gekeken met een microscoop.
Vanwege dit timingprobleem concludeerden de auteurs dat hun model niet gebruikt kan worden als een instrument om de mes van een chirurg te leiden vóór de operatie. Het model kijkt in essentie naar het antwoordmodel terwijl het probeert de vraag te raden. Hoewel de computer aantoonde dat het de relatie tussen de kenmerken van de patiënt en het gedrag van de kanker kon leren, was de nauwkeurigheid niet hoog genoeg om het alleen te vertrouwen bij beslissingen van leven of dood. De studie dient als een duidelijke kaart van wat momenteel mogelijk is met standaard medische dossiers, waarbij wordt aangetoond dat hoewel er een meetbaar verband is tussen deze kenmerken en de verspreiding van de kanker, de link te zwak en te afhankelijk is van postoperatieve feiten om nuttig te zijn in de operatiekamer. De onderzoekers suggereren dat de volgende stap is om deze bestaande aanwijzingen te combineren met nieuwe informatie die vóór de operatie kan worden verzameld, zoals gedetailleerde beelden van scans of moleculaire tests, om een instrument te bouwen dat chirurgen op een dag kan helpen betere keuzes te maken. Voor nu staat de studie als een zorgvuldige, eerlijke beoordeling van de grenzen van de huidige gegevens, die bewijst dat hoewel de stukjes van de puzzel aanwezig zijn, ze nog geen compleet beeld vormen dat gebruikt kan worden om de toekomst van de kanker van een patiënt te voorspellen.
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.