Onderzoekers van de University of Southampton hebben een AI-tool ontwikkeld waarmee tot nu toe moeilijk zichtbare afwijkingen in borstkankercellen op grote schaal kunnen worden geanalyseerd. Het open-sourceplatform CenSegNet brengt veranderingen in zogenoemde centrosomen tot op het niveau van individuele cellen in kaart.
Daarmee kunnen onderzoekers patronen ontdekken die samenhangen met agressievere vormen van borstkanker en mogelijk met de prognose van patiënten. De technologie kan op termijn bijdragen aan nauwkeurigere risicostratificatie en meer gepersonaliseerde behandelingen.
Honderdduizenden cellen analyseren
Centrosomen spelen een belangrijke rol bij de organisatie en deling van cellen. Afwijkingen in deze kleine celstructuren worden al meer dan een eeuw in verband gebracht met kanker. Wanneer centrosomen niet goed functioneren, kunnen tijdens de celdeling genetische fouten ontstaan. Het analyseren van deze structuren in weefsel van patiënten is echter technisch complex en arbeidsintensief.
CenSegNet moet dat veranderen. De AI-technologie kan honderdduizenden cellen snel analyseren en afwijkingen in centrosomen over een complete tumor in kaart brengen. Daardoor wordt ook zichtbaar hoe die afwijkingen binnen verschillende gebieden van dezelfde tumor variëren.
Onder leiding van dr. Salah Elias analyseerden onderzoekers van de University of Southampton, samen met University Hospital Southampton, ruim 330.000 centrosomen in 911 tumormonsters van 127 patiënten met borstkanker. Volgens Elias maakt de technologie het mogelijk om afwijkingen op individuele celniveau binnen complete tumoren te bestuderen en zo patronen zichtbaar te maken die met eerdere analysemethoden niet konden worden waargenomen.
Twee verschillende afwijkingen
Een belangrijke bevinding is dat centrosoomafwijkingen niet één uniform verschijnsel vormen. De AI onderscheidde twee afzonderlijke typen. Bij de ene afwijking beschikken cellen over te veel centrosomen, terwijl bij de andere sprake is van abnormaal vergrote centrosomen.
Tot nu toe werden deze verschijnselen grotendeels als onderdeel van hetzelfde proces beschouwd. De analyse laat echter zien dat ze onafhankelijk van elkaar kunnen optreden en bovendien verschillende gebieden binnen een tumor kunnen domineren. Dat ruimtelijke verschil is relevant, omdat een tumor geen homogene verzameling identieke kankercellen is.
De onderzoekers vonden daarnaast verbanden tussen vergrote centrosomen en klinische kenmerken van agressievere borstkanker. Tumoren met relatief veel vergrote centrosomen werden onder meer geassocieerd met een hogere tumorgraad, betrokkenheid van de lymfeklieren en bepaalde genetische veranderingen. Patiënten bij wie in de kern van de tumor minder vergrote centrosomen aanwezig waren, hadden bovendien doorgaans een betere algehele overleving.
Volgens Elias wijst het onderzoek er daarmee op dat verschillende centrosoomafwijkingen afzonderlijke biologische toestanden vertegenwoordigen, met ieder een eigen ruimtelijk patroon en klinische associaties. Specifieke combinaties zouden mogelijk invloed kunnen hebben op tumorgroei, invasie van omliggend weefsel en de reactie op behandelingen.
Mogelijke nieuwe biomarkers
CenSegNet is nog niet geschikt voor routinematig klinisch gebruik, maar de onderzoekers zien verschillende mogelijke toepassingen. Ruimtelijke kaarten van centrosoomafwijkingen zouden bijvoorbeeld aanvullende informatie kunnen bieden om patiënten met agressieve tumoren te herkennen en bestaande risico-inschattingen verder te verfijnen.
Ook voor precisie-oncologie kan de technologie relevant worden. Er zijn geneesmiddelen in ontwikkeling die aangrijpen op eiwitten die de werking van centrosomen reguleren. Wanneer duidelijk is welk type centrosoomdefect in een tumor aanwezig is, zou dat in de toekomst mogelijk kunnen helpen bij het selecteren van patiënten voor behandelingen die specifiek van dergelijke kwetsbaarheden gebruikmaken.
Daarnaast biedt de methode een nieuwe manier om tumorheterogeniteit te onderzoeken. Door verschillen tussen afzonderlijke gebieden binnen dezelfde tumor zichtbaar te maken, hopen wetenschappers beter te begrijpen waarom bepaalde delen zich anders ontwikkelen of anders op een behandeling reageren.
Open platform
CenSegNet is als open-sourceplatform beschikbaar, waardoor andere onderzoekers en pathologen de technologie eveneens kunnen gebruiken en verder ontwikkelen. De onderzoekers hebben inmiddels aangetoond dat de methode niet beperkt is tot borstkanker. CenSegNet kan ook worden toegepast op onder meer nier-, darm- en appendixweefsel.
De volgende stap is het combineren van de centrosoomanalyses met genomische, transcriptomische en proteomische gegevens. Daarmee willen de onderzoekers bepalen of de gevonden patronen kunnen uitgroeien tot betrouwbare biomarkers die behandelbeslissingen ondersteunen.
Het onderzoek laat daarmee vooral zien hoe AI gedetailleerde informatie uit tumorweefsel toegankelijk kan maken die eerder nauwelijks op deze schaal te analyseren was. Of centrosoompatronen uiteindelijk daadwerkelijk een rol krijgen in de klinische besluitvorming, moet verder onderzoek uitwijzen.
AI-algoritme
In 2024 werd al eens een AI-algoritme ontwikkeld dat in combinatie met Raman-spectroscopie borstkanker mogelijk al in stadium 1a kan detecteren. De niet-invasieve techniek analyseert met laserlicht minuscule veranderingen in de chemische samenstelling van bloedplasma. Machine learning wordt vervolgens gebruikt om patronen te herkennen die op zeer vroege borstkanker kunnen wijzen.
In een pilotstudie analyseerden de onderzoekers bloedmonsters van twaalf borstkankerpatiënten en twaalf gezonde personen. De methode identificeerde borstkanker in stadium 1a met een nauwkeurigheid van 98 procent. Daarnaast kon de technologie met meer dan 90 procent nauwkeurigheid onderscheid maken tussen de vier belangrijkste subtypes van borstkanker. Dat kan op termijn bijdragen aan een vroegere diagnose en meer gepersonaliseerde behandeling.
Referenties
Nature Communications (onderzoek)
