Tumorcellen die circuleren in het bloed van kankerpatiënten, zijn belangrijke ‘markers’ voor vroege diagnose, succes van de behandeling en de prognose. Maar hoe herken je ze, als ze maar met heel weinig zijn? Dankzij kunstmatige intelligentie weten onderzoekers van de Universiteit Twente dit proces te automatiseren met grote betrouwbaarheid. En meer dan dat. De techniek blijkt nu ook verborgen informatie bloot te leggen. Ook extracellulaire blaasjes, ‘vesicles’, belangrijk in de samenwerking van cellen, komen in beeld. De onderzoekers presenteren hun resultaten in Nature Machine Intelligence van 10 februari.
Circulerende tumorcellen (CTC’s) die zich losmaken van de oorspronkelijke tumor en bewegen in de bloedbaan, spelen een belangrijke rol bij het ontstaan van uitzaaiingen in andere delen van het lichaam. Tref je ze aan in het bloed, dan geeft dit informatie over de effectiviteit van de behandeling en ook over de prognose. De aantallen cellen zijn heel klein: dat maakt handmatig ‘tellen’ met fluorescentiemicroscopie, door een expert die de CTC’s weet te herkennen, complex en arbeidsintensief. De nieuwe aanpak automatiseert het proces, met grote betrouwbaarheid, voor gepersonaliseerde diagnose en behandeling van kanker.
Meer dan 96 procent
UT-onderzoekers ontwikkelden eerder al open-source software voor automatische detectie: de klinische relevantie hiervan is al aangetoond. In hun nieuwste publicatie gaan zij een beslissende stap verder dan de ‘klassieke’ lerende netwerken. Door het lerende netwerk te koppelen aan geavanceerde visualisatie, weten zij nog meer informatie uit het bloedmonster te halen: de CTC’s worden herkend in verschillende varianten met een accuratesse van meer dan 96%, maar ze weten meer componenten in het bloed te classificeren: ook de extracellulaire blaasjes, ‘vesicles’, die informatie geven over de samenwerking van verschillende cellen. Naar deze ‘CD45’ vesicles wordt op dit moment veel onderzoek gedaan.
Kijkgaatje in de black box
Van een ‘deep learning’ netwerk weten we dat het wordt getraind met een grote set bekende voorbeelden, waarna het in staat is zelfstandig de herkenning uit te voeren – vaak zelfs beter dan de mens. Hoe het leerproces precies werkt, welke keuzen het netwerk intern maakt, is minder transparant: het blijft een black box. In de benadering van de UT-onderzoekers wordt dit gedeeltelijk wél transparant, met visualisatie, gebaseerde op semi-supervised autoencoding: alsof je door een venstertje toch iets van het proces in de black box kunt zien. Dankzij deze visualisatie blijkt ook dat er meer informatie uit de beelden komt dan verwacht: een overzicht van niet alleen circulaire tumorcellen en verschillende subklassen, ook witte bloedlichaampjes en de vesicles zijn goed te onderscheiden: een completer plaatje dat een belangrijke stap is in de gepersonaliseerde behandeling van kanker.
Open source
De open-source analysesoftware ACCEPT, die eerder is ontwikkeld door onderzoeker Leonie Zeune, is te combineren met de CellSearch technologie om CTC’s op te sporen. Prof Leon Terstappen, een van de auteurs van het paper, is mede-uitvinder van deze technologie die sommige ziekenhuizen al beschikbaar hebben. De nu gepresenteerde stap voorwaarts helpt in het nog verder personaliseren van behandelingen tegen kanker.
Het onderzoek is uitgevoerd door verschillende onderzoeksgroepen, celbiologen en wiskundigen, van het Technical Medical Centre van de UT en past in het thema ‘Improving health care by personalized technologies’.
Het paper ‘Deep learning of circulating tumour cells’, door Leonie Zeune, Yoeri Boink, Guus van Dalum, Afroditi Nanou, Sanne de Wit, Kiki Andree, Joost Swennenhuis, Stephan van Gils, Leon Terstappen en Christoph Brune, verschijnt op 10 februari in Nature Machine Intelligence.
Bron UT
