Het herkennen en in beeld brengen van tumorcellen in het bloed van kankerpatiënten is van groot belang voor de vroege diagnose, behandeling en prognose. Het herkennen van kleine hoeveelheden tumorcellen is extra moeilijk. Door middel van kunstmatige intelligentie (AI) zijn onderzoekers van de Universiteit van Twente er in geslaagd dat proces te automatiseren.
De circulerende tumorcellen (CTC's) die zich losgemaakt hebben van de oorspronkelijke tumor spelen een belangrijke rol bij het ontstaan van uitzaaiingen. Wanneer ze in het bloed aangetroffen worden, dan zegt dat iets over de effectiviteit van de behandeling en de prognose.
Omdat deze tumorcellen vaak in kleine aantallen rondzwerven, is het handmatig tellen middels fluorescentiemicroscopie voor een CTC-expert complex en arbeidsintensief. De nieuwe AI en deep learning-methode automatiseert dat proces en is zeer betrouwbaar. De resultaten kunnen ingezet worden voor een gepersonaliseerde diagnose en behandeling van kanker.
Van open-source naar deep learning
Eerder ontwikkelden de onderzoekers van de UT open-source software voor de automatische detectie van CTC's. De klinische relevantie daarvan werd al aangetoond. Met de toepassing van AI gaan de onderzoekers nu een stap verder. Door klassiek lerende netwerken te koppelen aan geavanceerde visualisatie kan meer informatie uit het bloedmonster gehaald worden.
CTC's in verschillende varianten worden herkend met een accuratesse van meer dan 96 procent. Daarnaast is de methode in staat zogenoemde extracellulaire blaasjes te classificeren. Die geven informatie over de samenwerking van verschillende cellen. Naar deze zogenoemde 'CD45' vesicles wordt momenteel veel onderzoek gedaan.
Completer plaatje
Een deep learning-netwerk wordt getraind met een grote set bekende voorbeelden. Daarna kan het zelfstandig de herkenning uitvoeren. Vaak zijn deze netwerken daar beter in dan mensen. De exacte werking van het leerproces, en welke keuzes gemaakt worden, is doorgaans niet echt transparant. In de benadering van de UT onderzoekers is dat gedeeltelijk wel het geval door visualisatie, gebaseerd op semi-supervised autoencoding.
Die visualisatie liet ook zien dat er meer informatie uit de beelden komt dan verwacht. Behalve circulaire tumorcellen en verschillende subklassen zijn ook witte bloedlichaampjes en de vesicles goed te onderscheiden. Dit leidt tot een completer plaatje, wat gezien wordt als een belangrijke stap in de gepersonaliseerde behandeling van kanker.
Stap vooruit bij personaliseren behandeling
De eerder genoemde open source software voor de analyse, ACCEPT, kan gecombineerd worden met de CellSearch-technologie om CTC's op te sporen. Professor Leon Terstappen is mede-uitvinder van deze technologie, die in sommige ziekenhuizen al beschikbaar is. De nu gepresenteerde ontwikkeling helpt in het nog verder personaliseren van behandelingen tegen kanker.
Voor het makkelijker en eerder opsporen van tumoren werken de onderzoekers van de UT, samen met collega’s van Wageningen University & Research (WUR) aan een analyseplatform. Daarvoor wordt gebruik gemaakt van de aanwezigheid van zogeheten extracelluaire vesicles.
Het paper ‘Deep learning of circulating tumour cells’, van de hand van Leonie Zeune, Yoeri Boink, Guus van Dalum, Afroditi Nanou, Sanne de Wit, Kiki Andree, Joost Swennenhuis, Stephan van Gils, Leon Terstappen en Christoph Brune, is op 10 februari verschenen in Nature Machine Intelligence.
