Onderzoekers van Stanford Medicine hebben een AI-model ontwikkeld om de diagnose en behandeling van glioblastoom, een bijzonder agressieve vorm van hersenkanker, te verbeteren.
Glioblastoom stelt medische professionals voor unieke uitdagingen vanwege de zeer variabele cellulaire samenstelling van patiënt tot patiënt.
Olivier Gevaert, universitair hoofddocent biomedische informatica en datawetenschappen, benadrukte de complexiteit van de behandeling van glioblastomen: "Vanwege de heterogeniteit van deze ziekte hebben wetenschappers nog geen goede manieren gevonden om de ziekte aan te pakken."
De AI-model probeert dit probleem te verminderen door gekleurde beelden van glioblastoomweefsel te analyseren om de kenmerken ervan te beoordelen, waaronder de agressiviteit en genetische samenstelling van de tumor.
Yuanning Zheng, uit het lab van Gevaert, beschreven het AI-systeem als "een soort beslissingsondersteunend systeem voor de artsen".
Het model zou clinici kunnen helpen bij het identificeren van patiënten met cellulaire kenmerken die wijzen op agressievere tumoren, zodat ze snel kunnen worden opgevolgd. Het cbrengt de tumor gedetailleerder in kaart en onthult cel-tot-cel interacties en hoe deze correleren met het resultaat voor de patiënt.
Gevaert: "Het model liet zien welke cellen graag bij elkaar zijn, welke cellen niet met elkaar willen communiceren en hoe dit correleert met patiëntresultaten."
Het model ontdekte bijvoorbeeld dat de clustering van specifieke cellen, bekend als astrocyten, duidde op een agressievere vorm van de kanker. Deze inzichten kunnen mogelijk helpen bij het ontwerpen van effectievere behandelingen voor glioblastoom.
Zheng hoopt dat het model ook kan dienen als hulpmiddel voor postoperatieve beoordeling. Het model toonde aan dat tumorcellen die tekenen van zuurstoftekort vertonen vaak samenhangen met slechtere kankerresultaten.
"Door de zuurstofarme cellen in histologisch gekleurde operatiemonsters te belichten, kan het model chirurgen helpen begrijpen hoeveel kankercellen er mogelijk nog in de hersenen aanwezig zijn en hoe snel de behandeling na de operatie moet worden hervat", aldus Zheng.
Hoewel het model zich nog in de onderzoeksfase bevindt, kan het ook worden toegepast op andere vormen van kanker, zoals borst- of longkanker.
Zheng concludeerde: "Ik denk dat deze multimodale data-integraties de verbetering van gepersonaliseerde geneeskunde in de toekomst vorm kunnen geven."
Momenteel is er een proof-of-conceptversie van hun model, GBM360 genaamd, beschikbaar voor onderzoekers om diagnostische beelden te testen en te uploaden om de uitkomsten van glioblastoma-patiënten te voorspellen.
Zheng haastte zich echter toe te voegen dat het model zich nog in de onderzoeksfase bevindt en nog niet in echte klinische omgevingen wordt gebruikt.
Meer over het onderzoek
Het onderzoek maakt gebruik van AI om glioblastoma-subtypes te interpreteren op basis van bestaande patiëntgegevens, zodat clinici de prognose en ontwikkeling van de ziekte voor verschillende patiënten kunnen bepalen.
Zo werkt het:
- Gegevensintegratie: De onderzoekers begonnen met het integreren van meerdere vormen van data, waaronder single-cell RNA sequencing en spatial transcriptomics, naast klinische resultaten van glioblastoma patiënten. Dit leverde een robuuste dataset op voor het ontwikkelen van machine learning (ML) modellen.
- Modelontwikkeling: Het team ontwikkelde GBM-CNN, een gespecialiseerd deep-learning model dat is ontworpen om histologiebeelden te interpreteren. Dit model werd getraind om de verschillende transcriptionele subtypes van glioblastoomcellen te voorspellen, waarbij de geïntegreerde gegevens werden gebruikt voor validatie.
- Grootschalige analyse: Na training werd GBM-CNN gebruikt om meer dan 40 miljoen weefselspots van 410 patiënten te analyseren, waardoor cellulaire kaarten met een hoge resolutie werden gemaakt. De analyse onthulde de aanwezigheid van drie tot vijf kwaadaardige subtypen in elke tumor.
- Correlatie met klinische gegevens: De cellulaire kaarten werden vervolgens geïntegreerd met klinische gegevens van patiënten. Er werd ontdekt dat bepaalde cellulaire composities verband houden met slechtere patiëntresultaten.
- Validatie en testen: Om deze bevindingen te bevestigen werd een secundair model ontwikkeld om de prognose van patiënten te voorspellen op basis van andere diagnostische beelden. Dit model bevestigde de eerste bevindingen en toonde associaties tussen celarchitectuur en overlevingskansen van patiënten.
AI versnelt datagestuurde benaderingen van de gezondheidszorg enorm en ondersteunt MRI-scan, diagnostiek van oogziektenen verfijnd interfaces tussen hersenen en computersom maar een paar van de talloze toepassingen te noemen.
