PathVista Integrates Cellular Foundation Models with Multiscale Histopathology for Colorectal Cancer Prognosis and Molecular Stratification

In de strijd tegen kanker hebben artsen lang vertrouwd op een microscoop om de vijand te zien. Ze kijken naar dunne weefselcoupes, gekleurd met paarse en roze kleurstoffen, om abnormale cellen op te sporen en te bepalen hoe agressief een tumor kan zijn. Deze methode, bekend als histopathologie, is al decennia de standaardzorg. Een enkel preparaat bevat echter miljoenen cellen, en het menselijk oog kan tegelijkertijd slechts een klein fractie daarvan focussen. Hoewel een patholoog de algemene vorm van een tumor kan zien, blijven de subtiele interacties tussen individuele cellen en hun directe omgeving vaak verborgen. Deze minuscule details—de specifieke rangschikking van een kankercel naast een immuuncel, of de precieze vorm van een kern—kunnen de sleutel bevatten tot de voorspelling of een patiënt zal overleven of dat de ziekte zal terugkeren. Jarenlang hebben computers geprobeerd te helpen door deze beelden te analyseren, maar ze keken vaak naar het weefsel in brede, wazige vlakken, waardoor ze de fijnmazige details misten die elke cel uniek maken.

Een nieuwe studie introduceert een systeem genaamd PathVista, ontworpen om de manier waarop computers deze microscopische kaarten lezen, te veranderen. In plaats van te turen naar grote, wazige secties weefsel, zoomt dit systeem eerst in om individuele cellen te onderzoeken, waarbij het een "vocabulaire" van cellulaire vormen en gedragingen leert van meer dan 160 miljoen voorbeelden. Vervolgens doet het een stap terug om te zien hoe deze cellen in het grotere weefsellandschap passen. Door het verhaal van de individuele cel te combineren met het verhaal van de buurt waarin zij leeft, creëert PathVista een veel duidelijker beeld van de ware aard van de tumor. De onderzoekers testten deze aanpak op duizenden patiënten met colorectale kanker, de op drie na meest voorkomende kanker wereldwijd, en ontdekten dat dit celgecentreerde perspectief de overleving kon voorspellen en specifieke genetische mutaties met opmerkelijke nauwkeurigheid kon identificeren, waarbij het bestaande methoden vaak overtrof.

De onderzoekers begonnen door een computer te leren cellen te herkennen zonder hem te vertellen waar hij naar moest zoeken. Ze voedden het systeem met miljoenen afbeeldingen van individuele cellen afkomstig uit weefsel van colorectale kanker. De computer leerde om vergelijkbare cellen bij elkaar te groeperen, waardoor een mentale bibliotheek van cellulaire typen ontstond op basis louter van hun visuele verschijning. Dit proces, genaamd zelfgesuperviseerd leren, stelde het systeem in staat om patronen te ontdekken die het menselijk oog misschien zou missen, zoals subtiele variaties in celgrootte of de manier waarop cellen clusteren. Zodra de computer deze cellulaire vocabulaire onder de knie had, bouwden de onderzoekers PathVista om deze te gebruiken. Voor elk nieuw patiëntenslide identificeert en analyseert het systeem eerst elke afzonderlijke cel en legt hun unieke kenmerken vast. Vervolgens kijkt het naar de bredere weefselstructuur om de context te begrijpen. Ten slotte voegt het deze twee weergaven samen, waardoor een uitgebreid rapport ontstaat dat zowel de microscopische details als de macroscopische architectuur van de tumor reflecteert.

Toen het werd getest op een grote groep van 2.568 patiënten met colorectale kanker, bewees PathVista zijn waarde. Het systeem genereerde voor elke patiënt een risicoscore die de overlevingskansen sterk voorspelde. Patiënten die het systeem als hoog risico labelde, hadden een significant grotere kans om binnen vijf jaar aan de ziekte te overlijden vergeleken met degenen die als laag risico werden gelabeld. Het verschil was groot: het sterfterisico voor de hoogrisicogroep was meer dan zes keer hoger dan voor de laagrisicogroep. Deze voorspelling bleef standhouden, zelfs toen de onderzoekers rekening hielden met andere bekende factoren zoals tumorgrootte, lymfekliermetastasen en patiëntleeftijd. Sterker nog, de risicoscore van de computer leverde consistenter informatie over overleving dan veel van de traditionele klinische factoren die artsen momenteel gebruiken. Het systeem voorspelde ook succesvol hoe lang patiënten ziektevrij zouden blijven na behandeling en hoe groot de kans op een recidief was.

Om te waarborgen dat het systeem niet simpelweg de specifieke afbeeldingen die het tijdens de training kreeg memoriseerde, testten de onderzoekers het op twee volledig verschillende groepen patiënten uit andere ziekenhuizen en databases. Zelfs met verschillende methoden voor weefselpreparatie en verschillende patiëntendemografieën, behield PathVista zijn vermogen om hoogrisicopatiënten van laagrisicopatiënten te onderscheiden. In één externe groep identificeerde het systeem correct hoogrisicopatiënten die een veel grotere kans op overlijden hadden, met een risicoverhouding van bijna drie keer hoger dan de laagrisicogroep. In een andere grote database was de risicoverhouding zelfs nog hoger, namelijk meer dan vijf keer. Deze resultaten suggereren dat het systeem fundamentele biologische waarheden heeft geleerd over hoe agressieve tumoren er onder een microscoop uitzien, in plaats van alleen de eigenaardigheden van een specifieke dataset te hebben gememoriseerd.

Buiten het voorspellen van overleving toonde PathVista aan dat het ook als een detective voor specifieke genetische mutaties kon fungeren. Colorectale kanker wordt gedreven door verschillende genetische fouten, en weten welke aanwezig zijn, is cruciaal voor het kiezen van de juiste behandeling. Het systeem was in staat om tumoren met een specifieke genetische instabiliteit, microsatellietinstabiliteit, met hoge nauwkeurigheid te identificeren, waarbij het deze in meer dan 90% van de gevallen correct signaleerde. Dit is essentieel omdat patiënten met deze specifieke mutatie vaak goed reageren op immunotherapie. Het systeem presteerde ook goed bij het identificeren van tumoren met een specifieke mutatie in het BRAF-gen, wat geassocieerd wordt met een slechtere prognose en andere gerichte therapieën vereist. Hoewel het minder succesvol was in het opsporen van een andere veelvoorkomende mutatie genaamd KRAS, suggereert het vermogen om de andere twee te detecteren dat deze genetische veranderingen duidelijke, zichtbare voetafdrukken achterlaten op het weefsel die een computer kan leren lezen.

De studie onderzocht ook of deze celgerichte aanpak zou kunnen werken voor andere soorten kanker. De onderzoekers pasten hetzelfde systeem, getraind op colorectale kanker, toe op long- en borstkankermonsters. Verrassend genoeg behield het systeem zijn vermogen om uitkomsten te voorspellen en tumortypen te classificeren in deze verschillende organen. Dit geeft aan dat de fundamentele manieren waarop cellen zich gedragen wanneer ze kwaadaardig worden—hoe ze delen, hoe ze interageren met immuuncellen en hoe ze zichzelf organiseren—gedeeld worden door verschillende soorten kanker. Het systeem heeft een universele taal van cellulaire agressie geleerd die verder gaat dan de darm.

Ten slotte keken de onderzoekers in het systeem om te begrijpen waar het daadwerkelijk naar keek. Ze ontdekten dat de computer de meeste aandacht besteedde aan gebieden in het weefsel waar cellen snel delen, waar bloedvaten worden gevormd en waar het zuurstofgehalte laag is—kenmerken van agressieve kanker. Omgekeerd richtte het systeem zich in patiënten die langer overleefden op gebieden die rijk zijn aan immuuncellen, die bekend staan om het bestrijden van de tumor. Deze afstemming tussen de focus van de computer en gevestigde biologische kennis geeft artsen het vertrouwen dat het systeem niet zomaar willekeurige patronen vindt, maar daadwerkelijk de echte biologische drijfveren van de ziekte identificeert.

De bevindingen bieden een nieuw perspectief op hoe we routinematige medische beelden kunnen gebruiken. Door elke cel te behandelen als een uniek datapunt en te begrijpen wat de plaats is binnen het grotere weefselecosysteem, transformeert PathVista een standaard microscooppreparaat in een rijke bron van prognostische informatie. Hoewel het systeem geen vervanging is voor genetische tests, biedt het een krachtig, toegankelijk hulpmiddel dat artsen kan helpen om hoogrisicopatiënten eerder te identificeren en behandelingen effectiever af te stemmen. De studie laat zien dat de antwoorden op enkele van de moeilijkste vragen in de kankerzorg al aanwezig zijn in de weefselmonsters waar we al decennia naar kijken; we hadden simpelweg een nieuwe manier nodig om ze te zien.