CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

Darmkanker is een ziekte waarbij het vermogen van het lichaam om de toekomst te voorspellen vaak even onzeker is als het eigen pad van de ziekte. Artsen vertrouwen momenteel op een systeem genaamd stadiumindeling om te raden hoe een tumor zich zal gedragen. Dit systeem sorteert de kanker in groepen op basis van hoe diep de tumor is gegroeid en of deze naar nabijgelegen lymfeklieren is verspreid. Hoewel deze methode de standaard is voor het bepalen van de behandeling, is deze niet perfect. Twee patiënten met hetzelfde stadium kunnen zeer verschillende uitkomsten hebben; de een kan worden genezen met alleen een operatie, terwijl de ander binnen vijf jaar een terugkeer van de kanker kan zien. Deze onzekerheid laat artsen worstelen met de keuze voor de juiste behandeling nog voordat een patiënt een operatie ondergaat. Het doel van de moderne geneeskunde is om een manier te vinden om in de biologie van de tumor te kijken zonder deze open te snijden, gebruikmakend van de beelden die al zijn gemaakt om de operatie te plannen.

Een team van onderzoekers in Spanje heeft een stap richting dit doel gezet door computers te leren de verborgen details in standaard CT-scans te lezen. Dit zijn de driedimensionale röntgenfoto's die artsen maken vóór de operatie om verspreiding te controleren. De onderzoekers richtten zich op een veld genaamd radiomics, dat medische beelden niet alleen behandelt als plaatjes voor het menselijk oog, maar als enorme bibliotheken aan data. Terwijl een arts naar een scan kijkt om de vorm en grootte van een tumor te zien, kan een computer duizenden kleine patronen in de grijstinten en texturen meten die onzichtbaar zijn voor het blote oog. Deze patronen kunnen reflecteren hoe de cellen binnen de tumor zijn gerangschikt of hoe agressief ze zijn. Door deze subtiele texturen te analyseren, hoopten de onderzoekers een hulpmiddel te bou 위해서 dat het verschil kon zien tussen twee specifieke stadia van darmkanker en kon voorspellen welke patiënten waarschijnlijk te maken zouden krijgen met een terugkeer van hun ziekte.

De studie omvatte 104 patiënten die de diagnose darmkanker hadden gekregen en een CT-scan ondergingen vóór hun operatie. De onderzoekers werkten met een specifieke groep patiënten, waarbij zij mensen met zeldzame genetische aandoeningen of andere soorten kanker uitsloten om ervoor te zorgen dat de data schoon en gefocust waren. Ze namen de CT-beelden en traceerden handmatig de contouren van de primaire tumor in drie dimensies, waardoor een nauwkeurige digitale kaart van het volume van de kanker werd gemaakt. Vanuit deze kaart extraheerde de computer 105 verschillende metingen. Deze metingen beschreven de vorm van de tumor, de verdeling van de helderheid daarin en de complexe textuur van het oppervlak. Het team combineerde deze beeldmetingen vervolgens met basisinformatie over de patiënt, zoals leeftijd en geslacht, om een reeks wiskundige modellen te bouden.

Om te testen of deze modellen werkten, verdeelden de onderzoekers hun patiëntengroep in twee sets. Ze gebruikten de grotere groep om de computer te leren patronen te herkennen, en ze bewaarden de kleinere groep als een laatste examen. De computer leerde zoeken naar specifieke combinaties van de 105 metingen die gekoppeld waren aan de uitkomst. De eerste taak was om te zien of het model het verschil kon zien tussen stadium II en stadium III kanker. Dit onderscheid is cruciaal omdat stadium III-patiënten meestal chemotherapie krijgen na de operatie, terwijl stadium II-patiënten dat vaak niet krijgen, maar sommige stadium II-patiënten toch een terugval ervaren. Het model leerde deze stadia te identificeren op basis van enkel de preoperatieve beelden. In de laatste test maakte het model het onderscheid tussen de twee stadia ongeveer 76 procent van de tijd correct. Het was bijzonder goed in het herkennen van stadium II-gevallen, waarbij het ze bijna 89 procent van de tijd correct identificeerde.

De tweede, en misschien wel belangrijkere taak, was het voorspellen of een patiënt binnen vijf jaar een terugval zou ervaren. Dit is een veel moeilijkere voorspelling omdat het het raden van het toekomstige gedrag van de ziekte inhoudt. De onderzoekers testten verschillende computerleer-methoden om de beste te vinden. Ze ontdekten dat een specifiek type model, dat zocht naar relaties tussen veel verschillende variabelen tegelijkertijd, het beste presteerde. Dit model bereikte een hoog niveau van nauwkeurigheid en voorspelde het risico op een terugval in 91 procent van de gevallen in de testgroep correct. Het was bijzonder sensitief, wat betekent dat het zelden een patiënt miste die uiteindelijk een recidief zou krijgen; het detecteerde 95 procent van die gevallen. De studie keek ook naar patiënten binnen elk stadium afzonderlijk. Zelfs wanneer er alleen naar stadium II-patiënten of alleen naar stadium III-patiënten werd gekeken, behield het model een sterke voorspellende kracht, wat suggereert dat de textuur van de tumor op de scan informatie bevat over het risico, ongeacht het officiële stadium.

De bevindingen suggereren dat de visuele textuur van een tumor op een CT-scan aanwijzingen bevat over het biologische gedrag die huidige stadiumindelingen missen. De onderzoekers observeerden dat tumoren met meer uniforme, homogene patronen op de scan de neiging hadden om te behoren tot patiënten die geen terugval hadden, terwijl de meer chaotische, heterogene texturen gekoppeld waren aan een hoger risico op de terugkeer van de ziekte. Dit komt overeen met het idee dat een rommelige, onregelmatige textuur op een beeld een meer agressieve en gedesorganiseerde tumorbiologie kan weerspiegelen. De studie bewees niet dat deze patronen de kanker op een bepaalde manier laten gedragen, maar toonde een sterke link aan tussen de beelddata en de uitkomst voor de patiënt. Het team merkte op dat hun werk beperkt werd door het feit dat het in één enkel ziekenhuis met een relatief klein aantal patiënten werd uitgevoerd, en dat de computermodellen getraind en getest waren op data van diezelfde instelling. Zij erkenden dat deze modellen op grotere groepen mensen in verschillende ziekenhuizen getest moeten worden om te bevestigen dat ze in de echte wereld werken.

Dit onderzoek biedt een potentiële nieuwe manier om naar darmkanker te kijken voordat de behandeling begint. In plaats van te wachten tot de operatie de volledige aard van de tumor onthult, zouden artsen deze beeldgebaseerde instrumenten ooit kunnen gebruiken om een duidelijker beeld te krijgen van het risico dat een patiënt loopt. Als deze modellen in toekomstige studies worden gevalideerd, kunnen ze artsen helpen beslissen wie chemotherapie nodig heeft en wie veilig zonder kan, waardoor onnodige behandeling voor sommigen wordt verminderd terwijl anderen de zorg krijgen die ze nodig hebben. Het werk vervangt het huidige stadiumsysteem niet, maar suggereert dat het verbeterd kan worden door deze kwantitatieve details van de scans toe te voegen. Voor nu blijven de resultaten een veelbelovende stap naar een meer gepersonaliseerde aanpak bij de behandeling van darmkanker, waarbij een routinematig preoperatief beeld wordt omgezet in een bron van diepe, voorspellende inzichten.