Aan de Technische Universiteit van Denemarken heeft promovendus Jeppe Thagaard een lerend algoritme ontwikkeld dat in staat is om aan foto’s van weefselmonsters te herkennen of er sprake is van een ernstige vorm van triple negatieve borstkanker (TNBC). Wetenschappelijk tijdschrift Cancers publiceerde onlangs een artikel over dit onderzoek.
Wanneer pathologen biopten van kankerpatiënten onderzoeken, wordt aan de hand van een aantal biomarkers in het weefsel beoordeeld hoe goed het afweersysteem van een patiënt is opgewassen om de tumoren het hoofd te bieden. Daarvoor worden beelden van dunne plakjes weefsel die gemaakt zijn met de elektronenmicroscoop bestudeerd, die met een kleurstof behandeld zijn om de tumorcellen beter zichtbaar te maken. Op basis van de biomarkers komen oncologen tot een duidelijker beeld over de ernst van de ziekte en kunnen ze een prognose en een behandelstrategie vaststellen.
Het bestuderen van het beeldmateriaal is een tijdrovend karwei dat veel nauwkeurigheid vereist. Tot dusver werd dat altijd door de pathologen zelf gedaan, maar dankzij de vinding van Jappe Thagaard kan die klus overgenomen worden door kunstmatige intelligentie (artificial intelligence, AI).
“Gepersonaliseerde zorg wordt steeds belangrijker, waarbij een behandeling op maat wordt gebaseerd op biomarkers die bij iedereen anders zijn. Dat betekent dat we op een andere manier te werk moeten gaan”, zegt Thagaard zelf. “Het analyseren van een biopt door middel van een lerend algoritme kan daarbij veel tijd besparen. Bovendien kan ons AI-systeem objectieve en consistente beoordelingen geven en op die manier pathologen van dienst zijn. Gecombineerd met hun expertise en ervaring kan ons algoritme bijdragen aan een betere en consistentere behandeling.”
TNBC is de meest agressieve vorm van borstkanker, met de slechtste overleving. De 5-jaars overleving is 77%, vergeleken met 93% bij de overige types borstkanker. Een van de voornaamste redenen waarom TNBC zo moeilijk behandelbaar is is het feit dat deze kanker niet reageert op hormoontherapie. Bekend is echter wel dat sommige TNBC-patiënten beter presteren en dat komt door hun immuunsysteem. Aan de hand van de hoeveelheid biomarkers genaamd stromaal tumor-infiltrerende lymfocyten (sTILs) kan voorspeld worden bij wie dat het geval is.
Het is zinvol om te weten of een TNBC-patiënt een krachtiger immuunsysteem heeft omdat dat kan betekenen dat die patiënt geen zeer zware chemotherapie en bestraling hoeft te ondergaan. Maar als aan een biopt te zien is dat een patiënt juist weinig afweer tegen de tumor heeft kan een behandelaar bij die patiënten eerder een zwaardere behandeling inzetten.
Het door Thagaard ontworpen algoritme is in staat om afweercellen per vierkante millimeter te tellen en te zien of die afweercellen daadwerkelijk actief zijn tegen de tumor. Daarbij mogen de cellen zich niet in de tumor zelf bevinden, of in dood weefsel, want dan gaat het om een ontstekingsreactie en niet om antitumor activiteit.
Bijzonder is dat Thagaard ervoor koos om zijn algoritme te werken op basis van biopten die ingekleurd zijn met roze en paarse kleurstoffen (hematoxilline en erosine, H&E) die pathologen al jaren gebruiken. Die zijn eenvoudiger in het gebruik en goedkoper dan de meer geavanceerde immunohistochemische biomarkers die bij DNA testen en moleculaire testen worden ingezet en die bepaalde gebieden geel, groen en blauw laten oplichten. Die keus is bewust gemaakt om het systeem ook bruikbaar en bereikbaar te maken voor minder draagkrachtige landen.
Thagaard’s promotor professor Søren Hauberg is enthousiast. “Het potentieel van dit algoritme is groot en dit is ook de eerste keer dat een AI-systeem ontwikkeld is dat helemaal toegesneden is op de wensen van de pathologen die ermee moeten werken. Het is belangrijk dat dergelijke ontwikkelingen tot stand komen in nauwe samenwerking met mensen uit het veld.”
De Deense wetenschappers merken wel op dat er nog meer ontwikkelingen nodig zijn eer het algoritme daadwerkelijk in de klinische praktijk ingezet kan worden. “We moeten manieren vinden om er zeker van te zijn dat ons algoritme correct functioneert, ook als het iets tegenkomt dat het nog niet eerder heeft gezien. Dus we moeten ons model trainen door het met meer beeldmateriaal te voeden”, stelt Thagaard. “Ik hoop dat mijn onderzoek kan bijdragen aan de overleving van borstkankerpatiënten. Ik werk ook nauw samen met een commercieel bedrijf want het is belangrijk dat dit systeem op de markt komt. Zelfs in landen met een minder financieel robuust zorgsysteem kan dit algoritme een uitkomst bieden.”
Referentie
Naar boven
