Habitat Imaging Combined with Multiscale Peritumoral Radiomics and Pathological STAS Status for Predicting Early Postoperative Recurrence in Stage T1 Non-Small Cell Lung Cancer

Longitudinale longkanker blijft wereldwijd de belangrijkste doodsoorzaak gerelateerd aan kanker, en voor patiënten met een vroeg stadium is chirurgie vaak de standaardgenezing. Echter, zelfs na een succesvolle operatie lopen sommige patiënten een aanzienlijk risico dat de kanker terugkeert. Een specifiek biologisch kenmerk, bekend als verspreiding via luchtwegen (spread through air spaces), fungeert als een krachtig waarschuwingssignaal. Dit gebeurt wanneer kankercellen losraken van de hoofdtumor en vrij in de kleine longblaasjes drijven, een gedrag dat de ziekte waarschijnlijker maakt om terug te keren. Het probleem is dat artsen dit gevaarlijke kenmerk pas kunnen bevestigen nadat de tumor is verwijderd en onder een microscoop is onderzocht, waardoor ze zonder een manier achterblijven om het risico vóór de operatie te voorspellen. Om dit op te lossen, hebben onderzoekers zich gericht op een veld genaamd radiomics, dat medische beelden niet alleen behandelt als plaatjes, maar als enorme bronnen van verborgen data. Door de subtiele patronen van licht en textuur binnen een scan te analyseren, kunnen computers details detecteren die onzichtbaar zijn voor het menselijk oog, wat een potentieel venster biedt naar de ware aard van de tumor voordat er een enkele incisie wordt gemaakt.

Een team van onderzoekers van het Shanxi Bethune Hospital in China heeft een nieuwe methode ontwikkeld om te voorspellen of vroegstadium longkanker na een operatie zal terugkeren. Ze richtten zich op patiënten met stage T1 niet-kleincellige longkanker, een groep die doorgaans een goede prognose heeft, maar nog steeds een niet verwaarloosbaar risico op recidive loopt. Het team creëerde een geavanceerd computermodel dat drie verschillende soorten informatie combineert: de klinische details van de patiënt, de biologische status van de verspreiding via luchtwegen, en een diepgaande analyse van de interne structuur van de tumor en de directe omgeving ervan. Hun doel was om een hulpmiddel te bouwen dat artsen kan helpen om hoogrisicopatiënten eerder te identificeren, wat zorgt voor meer gepersonaliseerde follow-upplannen en behandelbeslissingen.

Om dit model te bouwen, keken de onderzoekers terug naar de dossiers van 216 patiënten die tussen 2019 en 2022 een operatie hadden ondergaan voor vroege stadium longkanker. Ze verdeelden deze patiënten in twee groepen: een grotere groep om de computer te trainen en een kleinere groep om te testen hoe goed de computer heeft geleerd. Het team begon met het onderzoeken van de CT-scans van de borstkas van de patiënten, die gedetailleerde 3D-beelden van de longen zijn. In plaats van de tumor als één enkele, uniforme vlek te behandelen, gebruikten ze een techniek genaamd habitat imaging. Deze methode breekt de tumor af in kleinere, onderscheidende subregio's op basis van hoe de pixels eruitzien en zich gedragen, vergelijkbaar met hoe een geoloog verschillende soorten bodem binnen een enkel veld in kaart zou brengen. Door deze minuscule gebieden bij elkaar te groeperen, kon de computer het complexe, ongelijkmatige landschap binnen de tumor zien dat een standaard scan zou missen.

De onderzoekers keken ook verder dan de tumor zelf. Ze analyseerden het weefsel direct rondom de kanker door ringen van analyse te creëren op afstanden van één, drie en vijf millimeter van de tumorgrens. Ze wisten dat de omgeving direct naast een tumor vaak aanwijzingen bevat over hoe agressief deze groeit. Ze extraheerden duizenden numerieke kenmerken uit deze zones, waarbij ze alles maten van de vorm van de tumor tot de textuur van het weefsel. Vervolgens combineerden ze deze beeldvormende details met de medische geschiedenis van de patiënten, zoals leeftijd en geslacht, en de resultaten van het pathologisch onderzoek dat bevestigde of de verspreiding via luchtwegen aanwezig was.

Het team testte verschillende computerleer-algoritmen om te zien welke het beste de recidive kon voorspellen. Ze ontdekten dat een model dat al deze elementen combineert — klinische factoren, de interne "habitats" van de tumor en de kenmerken van de drie millimeter ring rond de tumor — het beste presteerde. In hun testgroep identificeerde dit gecombineerde model het risico op recidive met een nauwkeurigheid die vertaalde naar een score van 0,865. Dit was aanzienlijk beter dan modellen die alleen vertrouwden op klinische gegevens, alleen op interne tumorpatronen, of alleen op het omliggende weefsel alleen. De studie toonde aan dat de zone van drie millimeter rond de tumor de meest nuttige informatie over de omgeving bood, wat suggereert dat de directe buurt van de tumor cruciaal is voor het begrijpen van het gedrag ervan.

De onderzoekers bevestigden ook dat bepaalde factoren onafhankelijke voorspellers van recidive waren. Hiertoe behoorden de aanwezigheid van een specifiek teken op de scan genaamd het vacuole-teken, het geslacht van de patiënt, de aanwezigheid van verspreiding via luchtwegen, de manier waarop de tumor aan het nabijgelegen longvlies trok, en de maximale grootte van de tumor. Wanneer het computermodel de status van de verspreiding via luchtwegen integreerde met de gedetailleerde beeldvormingsgegevens, creëerde het een veel duidelijker beeld van het risico dan welk enkel stuk informatie alleen zou kunnen bieden. Het model was in staat om met een hoge mate van betrouwbaarheid het onderscheid te maken tussen patiënten die kankervrij zouden blijven en patiënten die te maken zouden krijgen met een terugkeer van de ziekte.

Hoewel de resultaten veelbelovend zijn, merken de auteurs op dat hun studie beperkingen heeft. Het werd uitgevoerd in één enkel ziekenhuis met een gemiddeld aantal patiënten, en de gegevens kwamen uit een specifieke populatie, wat betekent dat het model getest moet worden op grotere en meer diverse groepen mensen voordat het breed kan worden toegepast. Daarnaast werd het proces van het in kaart brengen van de tumorregio's handmatig uitgevoerd, wat tijdrovend is, hoewel toekomstige vooruitgang in automatische technologie dit kan versnellen. Ondanks deze hindernissen laat de studie zien dat het combineren van verschillende lagen informatie — van de microscopische biologie van de tumor tot de macroscopische patronen in de scan — een krachtig instrument voor voorspelling creëert.

Dit werk biedt een praktisch pad vooruit bij het beheer van vroege stadium longkanker. Door een niet-invasieve benadering te gebruiken die de interne diversiteit van de tumor en de directe omgeving analyseert, kunnen artsen mogelijk binnenkort het risico op recidive met grotere precisie voorspellen. Dit kan helpen bij het op maat maken van de nazorg na de operatie, waardoor patiënten die een hoger risico lopen de nodige aandacht en behandeling krijgen, terwijl patiënten met een lager risico worden gespaard van onnodige interventies. De studie suggereert dat de toekomst van kankerzorg niet alleen ligt in het kijken naar de tumor, maar in het begrijpen van het complexe verhaal dat de tumor vertelt door zijn vorm, zijn omgeving en zijn verborgen interne structuur.