Om het type en de ernst van kanker te bepalen, analyseren pathologen doorgaans dunne plakjes van een tumorbiopsie onder een microscoop. Maar om erachter te komen welke genomische veranderingen de groei van de tumor bepalen - informatie die van belang kan zijn voor de behandeling - moeten wetenschappers het geïsoleerde RNA van de tumor genetisch sequencen, een proces dat weken kan duren en zeer kostbaar is.
Onderzoekers van Stanford Medicine hebben nu een AI-gedreven computerprogramma ontwikkeld dat in staat is de activiteit van duizenden genen in tumorcellen te voorspellen op basis van standaard microscopiebeelden van de biopsie.
Genetische variaties
De tool, onlangs beschreven in Nature Communications, is gemaakt met behulp van gegevens van meer dan 7.000 verschillende tumormonsters. Het onderzoeksteam heeft aangetoond dat de AI-tool en het computerprogramma in staat is om met routinematig verzamelde biopsiebeelden zowel genetische variaties in vormen van borstkanker als de uitkomst voor patiënten te voorspellen
“Dit soort software zou gebruikt kunnen worden om snel gen-handtekeningen te identificeren in tumoren van patiënten, waardoor de klinische besluitvorming sneller verloopt en de gezondheidszorg veel geld kan besparen”, aldus Olivier Gevaert, Ph.D., een professor in biomedische datawetenschappen en de senior auteur van het artikel. Het onderzoek stond onder leiding van Marija Pizuria, afgestudeerd aan Stanford, Yuanning Zheng, Ph.D., en Francisco Perez, Ph.D.
Gedreven door genomica
Bij de keuze en aanbeveling voor een behandelingsmethode, zoals chemotherapie, immuuntherapie en hormoontherapie, richten artsen zich al lang niet meer alleen op het orgaan waar de kanker zich bevindt. Er wordt ook gekeken naar welke genen de tumor gebruikt om zijn groei en verspreiding aan te wakkeren. Door bepaalde genen aan of uit te zetten, kan een tumor agressiever worden, sneller uitzaaien of meer of minder reageren op bepaalde medicijnen. Om toegang te krijgen tot deze informatie is echter vaak een dure en tijdrovende genoomsequentiebepaling nodig.
Gevaert en zijn collega's wisten dat de genactiviteit binnen individuele cellen het uiterlijk van die cellen kan veranderen op manieren die vaak onmerkbaar zijn voor het menselijk oog. Ze wendden zich tot kunstmatige intelligentie om deze patronen te vinden.
De onderzoekers begonnen met 7.584 kankerbiopten van 16 verschillende kankertypes. Elk biopt was in dunne plakjes gesneden en geprepareerd met behulp van een methode die bekend staat als hematoxyline en eosine kleuring, de standaard voor het visualiseren van het algehele uiterlijk van kankercellen. Informatie over het transcriptoom van de kankercellen - welke genen de cellen actief gebruiken - was ook beschikbaar.
Een werkend model
Vervolgens werden de kankerbiopten en andere datasets, waaronder transcriptomische gegevens en afbeeldingen van duizenden gezonde cellen, samengevoegd. Met die dataset kon de AI-Tool, SEQUOIA genaamd (slide-based expression quantification using linearized attention) de expressiepatronen van meer dan 15.000 verschillende genen uit de gekleurde afbeeldingen te voorspellen.
Voor sommige kankertypes kwam de door AI voorspelde genactiviteit voor meer dan 80 procent overeen met de echte gegevens van genactiviteit. In het algemeen geldt dat hoe meer monsters van een bepaald type kanker in de oorspronkelijke gegevens werden opgenomen, hoe beter het model presteerde voor dat type kanker. “Het kostte een aantal iteraties van het model om op het punt te komen waar we tevreden waren met de prestaties. Maar uiteindelijk kwam het voor sommige tumortypes op een niveau dat het bruikbaar is in de kliniek”, aldus Gevaert.
Om de data toegankelijk en gemakkelijk te interpreteren te maken, programmeerden de onderzoekers SEQUOIA om de genetische bevindingen weer te geven als een visuele kaart van de tumorbiopsie, zodat wetenschappers en clinici kunnen zien hoe genetische variaties zich kunnen onderscheiden in verschillende gebieden van een tumor.
Patiëntenresultaten voorspellen
Om het nut van SEQUOIA voor klinische besluitvorming te testen, identificeerden Gevaert en zijn collega's borstkankergenen waarvan het model de expressie nauwkeurig kon voorspellen en die al worden gebruikt in commerciële, genomische borstkankertests. De door de Food and Drug Administration goedgekeurde MammaPrint-test analyseert bijvoorbeeld de niveaus van 70 borstkanker-gerelateerde genen om patiënten een score te geven van het risico dat hun kanker waarschijnlijk terugkomt. “Borstkanker heeft een aantal zeer goed bestudeerde gen-handtekeningen waarvan de afgelopen tien jaar is aangetoond dat ze sterk gecorreleerd zijn met de respons op behandeling en de resultaten voor patiënten,” aldus Gevaert. “Dit maakte het een ideale testcase voor ons model.”
Het team toonde aan dat SEQUOIA hetzelfde type genomische risicoscore kon leveren als MammaPrint door alleen gekleurde beelden van tumorbiopten te gebruiken. De resultaten werden herhaald op meerdere verschillende groepen borstkankerpatiënten. In alle gevallen hadden patiënten die door SEQUOIA als hoog risico werden geïdentificeerd slechtere resultaten, met hogere percentages van terugkerende kanker en een kortere tijd voordat hun kanker terugkeerde.
Klinische tests
Het AI-model kan nog niet worden gebruikt als ondersteuning voor beslissingen over te volgen behandelingen in een klinische omgeving. Daarvoor moet het nog worden getest in klinische proeven en is ook goedkeuring vanuit de FDA nodig. Het algoritme van de AI-tool wordt daarnaast nog doorontwikkeld en verbeterd. Ook wordt gekeken naar mogelijke toepassingen. Verwacht wordt dat SEQUOIA uiteindelijk kan bijdragen om de behoefte aan dure genexpressietests te verminderen.
“We hebben laten zien hoe nuttig dit kan zijn voor borstkanker en we kunnen het nu gebruiken voor alle vormen van kanker en kijken naar elke genenhandtekening die er is. Het is een hele nieuwe bron van gegevens die we nog niet eerder hadden”, besluit Gevaert.
