An outcome-blind H&E architecture score is associated with prostate cancer-specific mortality
Deze studie introduceert een uitkomst-blinde H&E-architectuurscore afgeleid van deep learning die de prostaaskankerspecifieke mortaliteit voorspelt en hoogrisicogroepen identificeert, inclusief die met een biopsie Gleason ≤6, door ongunstige kenmerken zoals cribriforme groei en genomische instabiliteit vast te leggen die niet volledig worden gecodeerd door standaard Grade Grouping.
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 wereld van de kankerzorg vertrouwen artsen vaak op een systeem dat de Gleason Grade Group wordt genoemd om te beoordelen hoe gevaarlijk een prostaattumor is. Dit systeem kijkt naar hoe de kankercellen onder een microscoop zijn gerangschikt en sorteert ze in categorieën, van laag risico tot hoog risico. Het is de standaardtool om te beslissen wie onmiddellijke behandeling nodig heeft en wie veilig kan wachten en observeren. Echter, dit systeem heeft een blinde vlek. Het behandelt alle tumoren binnen een categorie alsof ze hetzelfde zijn, ook al zien twee tumoren met hetzelfde label er heel verschillend uit. De ene kan een klein, verspreid gebied van agressieve cellen hebben, terwijl de andere er vol mee gepakt is, of specifieke, gevaarlijke vormen bevat die het standaardlabel mist. Hierdoor kunnen sommige mannen die te horen krijgen dat hun kanker een laag risico vormt, in werkelijkheid een verborgen, meer agressieve ziekte hebben die uiteindelijk fataal zou kunnen worden.
Een team van onderzoekers van het Cedars-Sinai Medical Center heeft een nieuwe manier ontwikkeld om naar deze tumoren te kijken die verder gaat dan de standaardlabels. Ze creëerden een computerprogramma dat de werkelijke architectuur van de kankercellen in een weefselmonster onderzoekt, zonder ooit naar de medische uitkomst van de patiënt te kijken of te weten wie overleefde en wie niet. Door de computer te leren specifieke, gevaarlijke groeipatronen te herkennen, genereerden ze een score die de last van deze slechte patronen meet. Toen ze deze score testten op duizenden mannen die een operatie hadden ondergaan voor prostaatkanker, ontdekten ze dat het kon voorspellen wie decennia later aan de ziekte zou sterven. Cruciaal was dat de score alleen gekoppeld was aan sterfte door prostaatkanker, en niet aan andere doodsoorzaken, wat suggereert dat het iets meet dat specifiek is voor de tumor zelf.
De onderzoekers begonnen met het trainen van hun computermodel op een set biopsiebeelden waarbij menselijke experts al verschillende soorten kankerpatronen hadden gemarkeerd. Ze leerden het systeem om vier specifieke zaken te identificeren: normaal weefsel, een laag-risicopatroon, een hoog-risicopatroon en een bijzonder agressieve vorm die bekend staat als cribrifoormgroei, die eruitziet als een zeef of een honingraat. Het systeem leerde deze kenmerken te herkennen in kleine tegels van de afbeelding. Eenmaal getraind, pasten de onderzoekers de kennis van de computer vast en pasten deze toe op twee grote groepen patiënten die al hun prostaat hadden laten verwijderen. De eerste groep kwam uit een langdurige kanker-screeningstudie, en de tweede groep uit een nationale verzameling van kankergegevens. De onderzoekers vertelden de computer niet over de overlevingstijden van de patiënten tijdens dit proces; ze lieten de computer het weefsel simpelweg scoren op basis van hoeveel van de gevaarlijke architectuur het zag.
De resultaten waren opmerkelijk. In de grote screeningstudie, waarbij mannen gemiddeld meer dan tweeëntwintig jaar werden gevolgd, scheidde de score duidelijk de mannen die aan prostaatkanker zouden sterven van degenen die dat niet zouden doen. Voor elke stap omhoog in de score nam het risico op overlijden aan prostaatkanker aanzienlijk toe. Mannen met de hoogste scores hadden een veel grotere kans om aan de ziekte te sterven vergeleken met mannen met lage scores. Belangrijk was dat de score niet voorspelde dat men zou sterven aan andere oorzaken, zoals hartziekten of andere kankers. Deze specificiteit suggereert dat de score echt de dreiging van de prostaattumor zelf meet, in plaats van enkel een reflectie te zijn van de algemene kwetsbaarheid of leeftijd van een patiënt. Zelfs toen de onderzoekers corrigeerden voor de standaard Gleason-graad en andere klinische factoren zoals leeftijd en tumoromvang, leverde de score nog steeds waardevolle informatie, waarbij het risico identificeerde dat het standaard systeem miste.
De studie onthulde ook dat deze nieuwe score niet slechts een herhaling is van het oude gradatiesysteem. Hoewel het gerelateerd is aan de standaardgraad, legt het details vast die het standaard systeem negeert. Zo identificeerde de score binnen de groep mannen die op basis van hun biopsie te horen kregen dat zij een laag-risicokanker hadden, een subgroep met een veel hoger langetermijnrisico op overlijden door de ziekte. In deze laag-risicogroep hadden mannen met de hoogste scores een twintigjarige kans op overlijden aan prostaatkanker van meer dan vier procent, terwijl die met de laagste scores een risico van minder dan één procent hadden. Deze bevinding suggereert dat de computer verborgen, agressieve kenmerken in het weefsel detecteert die een menselijke patholoog zou kunnen missen bij het toekennen van een standaardgraad. De score was ook in staat om het risico op te splitsen in zijn componenten, waarbij liet zien dat zowel de hoeveelheid hooggradig weefsel als de aanwezigheid van het zeefachtige cribrifoormpatroon onafhankelijk bijdroeg aan het gevaar.
Om te begrijpen wat er biologisch aan de hand was, bekeken de onderzoekers de genetische activiteit in de tumoren. Ze vonden dat de tumoren met hoge scores werden gedreven door genen die geassocieerd zijn met snelle celdeling en genetische instabiliteit, wat kenmerken zijn van agressieve kanker. De score was ook robuust, wat betekent dat het goed werkte zelfs toen de onderzoekers het testten met verschillende soorten computer vision-tools, zolang die tools getraind waren op pathologiebeelden. Echter, wanneer ze een computer vision-tool probeerden te gebruiken die ontworpen is voor algemene foto's in plaats van medische afbeeldingen, verdween de connectie met overleving. Dit bevestigt dat de score steunt op specifieke medische kennis van weefselstructuur, en niet slechts op algemene beeldherkenning.
De onderzoekers erkennen dat hun werk een startpunt is. De studie werd beperkt door het aantal sterfgevallen in de groepen die zij analyseerden, wat het moeilijker maakte om sommige van de fijnere details met absolute zekerheid vast te leggen. Ze merkten ook op dat de score afgeleid was van een enkele weefselblok, en toekomstige studies zullen moeten bevestigen of deze methode consistent werkt over volledige prostaatmonsters. Ondanks deze beperkingen demonstreert de studie dat een computer kan leren om de subtiele, gevaarlijke architectuur van prostaatkanker te zien op een manier die onafhankelijk is van menselijke bias of voorafgaande kennis van patiëntuitkomsten. Door zich te richten op de fysieke vorm en rangschikking van de cellen, biedt deze nieuwe aanpak een potentieel instrument om mannen te identificeren die een hoger risico lopen dan hun huidige diagnose doet vermoeden, wat potentieel de manier kan veranderen waarop artsen beslissen wie behandeling nodig heeft en wie veilig gemonitord kan worden.
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.