📄 medicine

Feasibility of Diffuse Reflectance Spectroscopy for Distal Margin Assessment in Colorectal Cancer Surgery

Deze studie toont de haalbaarheid aan van het gebruik van breedbandige diffuse reflectiespectroscopie gecombineerd met machine learning om accuraat onderscheid te maken tussen tumorweefsel en gezond weefsel in colorectale kankerpreparaten, waarbij een hoge sensitiviteit en specificiteit wordt bereikt voor potentiële intraoperatieve beoordeling van de distale marge.

Oorspronkelijke auteurs: Joris T. Hepkema, Isis Boeije, Arend G.J. Aalbers, Brechtje A. Grotenhuis, Marinke Westerterp, Freija Geldof, Behdad Dashtbozorg, Theo J.M. Ruers

Gepubliceerd 2026-06-29

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Joris T. Hepkema, Isis Boeije, Arend G.J. Aalbers, Brechtje A. Grotenhuis, Marinke Westerterp, Freija Geldof, Behdad Dashtbozorg, Theo J.M. Ruers

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

Stel je voor dat je een chirurg bent die een delicate operatie uitvoert om een stuk kankerkankerachtig darmweefsel te verwijderen. Je doel is om de tumor volledig uit te snijden, maar daarbij zoveel mogelijk gezond weefsel te sparen, zodat de patiënt normaal kan blijven functioneren. Het lastige deel is precies weten waar het "slechte" weefsel eindigt en het "goede" weefsel begint. Op dit moment moeten chirurgen vaak gokken, de plek markeren met inkt (wat slordig kan zijn), of uren wachten op een laboratoriumtest die de rand mogelijk nog steeds mist.

Dit artikel is als een rapport over een nieuwe, hoogtechnologische "magische zaklamp" die chirurgen helpt om de onzichtbare lijn tussen kanker en gezond weefsel direct te zien.

Het Probleem: Het vinden van de onzichtbare rand

Stel je de darm voor als een lange buis. De tumor is een vlek binnenin de buis. Wanneer je de buis doorsnijdt, moet je ervoor zorgen dat je ver genoeg voorbij de vlek snijdt zodat er geen kanker achterblijft, maar niet zo ver dat je te veel gezonde buis wegsnijdt.

Momenteel vliegen chirurgen in zekere zin blind door de operatie. Ze kunnen het verschil tussen de kanker en het gezonde weefsel niet met hun handen voelen (vooral niet bij minimaal invasieve chirurgie). Ze gebruiken soms bevroren labtests, maar dat duurt lang en is niet perfect.

De Oplossing: De "Magische Zaklamp" (Diffuse Reflectance Spectroscopy)

De onderzoekers testten een apparaat genaamd Diffuse Reflectance Spectroscopy (DRS).

Hoe het werkt: Stel je voor dat je een zeer felle, veelkleurige zaklamp (die het kleurenspectrum van zichtbaar licht tot infrarood beslaat) op het weefsel schijnt. Het weefsel weerkaatst een deel van dat licht.
De "vingerafdruk": Net zoals elk mens een unieke vingerafdruk heeft, weerkaatsen kankerkankerdarmweefsel en gezond weefsel het licht in licht verschillende patronen. De machine leest deze "lichtvingerafdruk" direct af.
De Snelheid: In plaats van elke 15 seconden één foto te maken (wat te traag is voor chirurgie), neemt dit nieuwe systeem 5 tot 8 "foto's" per seconde. Het is alsof je razendsnel een barcode over het oppervlak van het weefsel scant.

Het Experiment: Het trainen van de computerhersenen

Het team heeft niet alleen een zaklamp gebouwd; ze moesten een computer leren om de lichtpatronen te begrijpen.

De Data: Ze namen 86 vers verwijderde darmpreparaten van patiënten. Ze scanden zowel de kankerde delen als de gezonde delen, waarbij bijna 40.000 lichtmetingen werden verzameld.
De Training: Ze stopten deze metingen in een computerprogramma (Machine Learning). Ze probeerden verschillende manieren om de gegevens te verwerken, zoals de computer vragen om naar de "helling" van de lichtveranderingen (de eerste afgeleide) te kijken, in plaats van alleen naar de ruwe helderheid.
Het Beste Team: Ze ontdekten dat de beste combinatie het gebruik van de "helling" van de lichtdata was, gekoppeld aan een specifiek type wiskundig model genaamd een RBF Support Vector Machine. Denk hierbij aan de computer die leert om de subtiele "wiebelingen" in het lichtpatroon te herkennen die alleen kanker maakt.

De Resultaten: Een zeer scherp oog

De computer leerde kanker van gezond weefsel te onderscheiden met indrukwekkende nauwkeurigheid:

Het identificeerde kanker correct in ongeveer 89% van de gevallen.
Het identificeerde gezond weefsel correct in ongeveer 93% van de gevallen.
In een "proof-of-concept" test gebruikten ze het systeem op vers weefsel en plaatsten een hechting om de plek te markeren waar de computer zei dat de tumor eindigde. Wanneer ze later controleerden, lag de gok van de computer zeer dicht bij de werkelijke tumorrand.

Het Nadeel (Beperkingen)

Het artikel is eerlijk over wat dit hulpmiddel nog niet kan:

Diepte: De zaklamp kan slechts ongeveer 1 tot 2 millimeter diep "kijken". Als de kanker dieper in de wand verborgen zit, kan het licht dit mogelijk missen.
De Toekomst: De onderzoekers zeggen dat dit een "proof-of-concept" is. Het werkt goed op weefsel dat al is verwijderd. De volgende stap is bewijzen dat het perfect werkt terwijl de chirurg daadwerkelijk in het lichaam van een patiënt opereert.

De Kern van het Verhaal

Dit artikel laat zien dat het gebruik van een speciale lichtscanner gecombineerd met slimme computeralgoritmen een haalbare manier is om het verschil tussen kanker en gezond darmweefsel in realtime te bepalen. Het is alsocept de chirurg een superkracht te geven om de onzichtbare rand van een tumor te zien, wat potentieel kan helpen om meer gezond weefsel te sparen terwijl de kanker er wel volledig wordt verwijderd. Het artikel stelt echter niet dat dit morgen in elk ziekenhuis klaar is voor gebruik; het bewijst simpelweg dat het idee werkt in een gecontroleerde omgeving.

Technische Samenvatting: Haalbaarheid van Diffuse Reflectie Spectroscopie voor de Beoordeling van de Distale Marges bij Colorectale Kankerchirurgie

Probleemstelling
Bij chirurgie voor colorectale kanker, met name bij rectale tumoren, is het bereiken van een adequate distale resectiemarge (DRM) cruciaal voor de oncologische veiligheid, terwijl de functie van de sfincter behouden blijft. Huidige intra-operatieve methoden voor de beoordeling van de DRM hebben significante beperkingen. Tattooing, gebruikt om tumorgrenzen pre-operatief te markeren, lijdt onder inktspreiding en een lage nauwkeurigheid (zo laag als 69%). Bevroren sectie-analyse, de huidige gouden standaard, is tijdrovend, kan distale tumorverspreiding missen door letselfragmentatie na chemoradiatie, en is sterk afhankelijk van de voorkeur van de chirurg. Bovenergen maken laparoscopische en robotgeassisteerde procedures gebrek aan tactiele feedback, waardoor het lokaliseren van de distale tumorgrenzen uitdagend is. Er is behoefte aan een real-time, contactloos begeleidingssysteem dat snel tumorweefsel van gezond weefsel kan onderscheiden om chirurgen te assisteren bij het bepalen van het optimale transectieniveau.

Methodologie
Deze studie maakte gebruik van een prospectief, ex vivo ontwerp met 8 kankerspatiënten (T3 of hoger) bij het Netherlands Cancer Institute.

Data-acquisitie: Er werd een breedbandig Diffuse Reflectie Spectroscopie (DRS) systeem (400–1600 nm) gebruikt, gebruikmakend van een laserlichtbron en twee spectrometers. In tegenstelling tot traditionele puntgebaseerde systemen werkte deze opstelling continu en legde het 5 tot 8 spectra per seconde vast. Metingen werden uitgevoerd op vers uitgenomen specimens direct na verwijdering.
- Tumormetingen: Uitgevoerd over de locatie van de grove tumor.
- Niet-tumormetingen: Uitgevoerd op gezonde colon-/rectaalwand en vetweefsel op minstens 1 cm afstand van de tumor.
- Volume: In totaal werden 39.741 spectra verzameld (22.451 niet-tumor, 17.290 tumor).
Ground Truth: Weefsellabels werden toegewezen op basis van histopathologische analyse. Spectra werden gelabeld als "colorectale tumor" als er tumorweefsel aanwezig was op de meetlocatie (ongeacht de diepte) en "niet-tumor" anders.
Data Preprocessing: Spectra werden gekalibreerd tegen donkere en witte referenties, aan elkaar gekoppeld om een continu 400–1600 nm bereik (356 banden) te creëren, en genormaliseerd met behulp van Standard Normal Variate (SNV) om variaties in intensiteit te corrigeren.
Machine Learning Pipeline:
- Feature Selectie: Vijf strategieën werden geëvalueerd: (A) Volledige spectra, (B) Eerste afgeleide van spectra, (C) LASSO regressie, (D) Lineaire Discriminant Analyse (LDA), en (E) k-means spectrale band clustering.
- Classificatoren: Vijf modellen werden getest: Lineaire SVM, Polynomiale SVM, Radial Basis Function (RBF) SVM, Multi-Layer Perceptron (MLP) en Random Forest.
- Trainingsstrategie: Data werd patiënt-gewijs gesplitst (80% training/validatie, 20% test) om lekkage te voorkomen. De Synthetic Minority Oversampling Technique (SMOTE) werd gebruikt om klassen in evenwicht te brengen. Hyperparameter-tuning (grid search voor $C$ en $\gamma$ ) werd uitgevoerd over tien iteraties met verschillende patiënt-splits om robuustheid te garanderen.
Proof-of-Concept Testen: Het uiteindelijke geoptimaliseerde model werd getest op drie verse specimens. Metingen werden lineair over de tumor grens uitgevoerd, waarbij real-time feedback werd gegeven via een hoorbaar signaal (toonhoogteverandering) dat het voorspelde weeftseltype aangaf. De voorspelde grens werd gemarkeerd met een hechtdraad en vergeleken met de macroscopische tumorgrens.

Belangrijkste Resultaten

Modelprestaties: De optimale configuratie maakte gebruik van de eerste afgeleide van de spectra als inputfeatures in combinatie met een RBF Support Vector Machine (SVM).
- Matthews Correlation Coefficient (MCC): 0.820 ± 0.015.
- Sensitiviteit: 0.888 ± 0.015.
- Specificiteit: 0.928 ± 0.028.
- AUROC: 0.95.
Feature Analyse: Het gebruik van de eerste afgeleide presteerde consistent beter dan andere feature selectiemethoden (inclusclusief volledige spectra en k-means) bij de meeste classificatoren, waarschijnlijk door ruisonderdrukking en de verbetering van subtiele spectrale variaties.
Hyperparameter-tuning: De beste prestatie werd bereikt met $C=1$ en $\gamma=10$ . De studie merkte op dat hoewel het standaard werkpunt niet overeenkwam met de specificiteit van bevroren sectie (100%), het aanpassen van de classificatiedrempel de DRS-modellen in staat stelde om een specificiteit van 0,95 te bereiken terwijl dezelfde sensitiviteit als bevroren sectie (0,85) behouden bleef.
Prospectieve Validatie: In de proof-of-concept testen op verse specimens identificeerde het model de tumor grens met hoge nauwkeurigheid, wat de haalbaarheid van real-time detectie aantoont ondanks het gebrek aan tactiele feedback.

Betekenis en Claims
De auteurs stellen dat deze studie een prospectieve proof-of-concept biedt die de haalbaarheid aantoont van het gebruik van DRS in combinatie met machine learning om onderscheid te maken tussen tumor en niet-tumor regio's bij chirurgie voor colorectale kanker.

Klinisch Nut: Het systeem biedt een potentiële oplossing voor real-time intra-operatieve begeleiding, waardoor chirurgen een balans kunnen vinden tussen oncologische veiligheid en het behoud van de sphincter, met name bij lage rectale tumoren waar millimeterprecisie essentieel is.
Voordelen t.o.v. Huidige Standaarden: In tegen afweek bevroren secties biedt DRS bijna directe resultaten zonder de noodzaak van weefselverwijdering of contrastmiddelen. In tegenstelling tot tattooing is er geen last van inktspreiding.
Robuustheid: De studie benadrukt dat het model goed presteerde, zelfs in de aanwezigheid van weefselheterogeniteit (bijv. gemengde tumor en fibrose na neoadjuvante therapie), een veelvoorkomende uitdaging bij colorectale kanker.
Toekomstige Richtingen: De auteurs stellen bescheiden dat hoewel de huidige resultaten veelbelovend zijn, toekomstig werk zich moet richten op prospectieve validatie bij nieuwe patiënten tijdens daadwerkelijke chirurgie. Ze identificeren ook de noodzaak om probe-ontwerpen te verkennen met diepere penetratie om tumoren die dieper liggen beter te kunnen detecteren, met name voor T2 tumoren of scenario's waarin de tumor zich buiten de huidige monsternamezone bevindt.

Het artikel concludeert dat snelle, intra-operatieve bepaling van de distale marge mogelijk is met deze technologie, maar benadrukt dat verdere validatie vereist is voordat klinische implementatie kan plaatsvinden.