En multicenterundersøgelse har analyseret næsten 2.000 digitaliserede vævsprøver fra tyktarmskræftpatienter i syv uafhængige kohorter i Europa og USA. Prøverne omfattede både hele vævsprøvebilleder og kliniske, demografiske og livsstilsdata.
Forskerne har udviklet en ny »multi-target transformer model« til at forudsige en lang række genetiske ændringer direkte fra rutinemæssigt farvede histologiske tyktarmskræftvævssektioner. Tidligere undersøgelser var typisk begrænset til at forudsige enkelte genetiske ændringer og tog ikke højde for samtidig forekommende mutationer eller fælles morfologiske mønstre.
Modellen påviser genetiske ændringer og deraf følgende vævsændringer i tyktarmskræft direkte fra vævssektionsbilleder. Dette kan muliggøre hurtigere og mere omkostningseffektiv diagnostik i fremtiden. Til udvikling, validering og dataanalyse af modellen har eksperter inden for data- og computervidenskab, epidemiologi, patologi og onkologi arbejdet tæt sammen.
Studiet er blevet offentliggjort i tidsskriftet The Lancet Digital Health.
”Tidligere deep learning-modeller og analyser af de underliggende vævsændringer har generelt kun fokuseret på en enkelt mutation ad gangen. Vores nye model kan imidlertid identificere mange biomarkører samtidigt, herunder nogle, der endnu ikke anses for klinisk relevante. Vi kunne påvise dette i flere uafhængige kohorter. Vi observerede også, at mange mutationer forekommer hyppigere i mikrosatellitustabile tumorer (MSI),” forklarer Marco Gustav, M.Sc., førsteforfatter til undersøgelsen og forsker ved EKFZ for Digital Health ved TU Dresden.
Visse typer kolorektal cancer kan klassificeres på baggrund af mikrosatellitustabilitet (MSI). Mikrosatellitter er korte, repetitive DNA-sekvenser, der er spredt over hele genomet. I kræft kan MSI opstå, når disse sekvenser bliver ustabile på grund af defekter i DNA-reparationssystemet. MSI er en vigtig biomarkør til identifikation af patienter, der kan have gavn af immunterapi.
»Dette tyder på, at forskellige mutationer samlet bidrager til ændringer i vævsmorfologien. Modellen genkender fælles visuelle mønstre i stedet for uafhængigt at identificere individuelle genetiske ændringer,« tilføjer han.
Marco Gustav (til højre), førsteforfatter af artiklen og forskningsassistent ved EKFZ for Digital Health, og MD Nic G. Reitsam (til venstre), medforfatter og patolog ved Det Medicinske Fakultet ved Universitetet i Augsburg, diskuterer undersøgelsesdataene. Kredit: Anja Stübner / EKFZ
Forskerne påviste, at deres model matchede og delvist overgik etablerede enkeltmålmodeller i forudsigelsen af adskillige biomarkører, såsom BRAF- eller RNF43-mutationer og mikrosatellitustabilitet (MSI) direkte fra patologiske præparater.
Den patologiske ekspertise, der var nødvendig for at vurdere vævsændringer fra histologiske præparater, blev leveret af erfarne medicinske specialister. Dr. Nic Reitsam fra Universitetshospitalet i Augsburg spillede en central rolle i undersøgelsen.
Jakob N. Kather, professor i klinisk kunstig intelligens ved EKFZ for Digital Sundhed ved TU Dresden og senioronkolog ved NCT/UCC ved Universitetshospitalet Carl Gustav Carus i Dresden, fremhæver undersøgelsens betydning: ”Vores forskning viser, at AI-modeller kan fremskynde diagnostiske arbejdsgange betydeligt.
Samtidig giver disse metoder ny indsigt i sammenhængen mellem molekylære og morfologiske ændringer i kolorektal cancer. I fremtiden kan denne teknologi bruges som et effektivt præscreeningsværktøj, der kan hjælpe klinikere med at udvælge patienter til yderligere molekylære tests og vejlede i beslutninger om personlig behandling.”
Forskerteamet planlægger nu at udvide denne tilgang til andre kræftformer.
Yderligere information: Marco Gustav et al, Assessing genotype−phenotype correlations in colorectal cancer with deep learning: a multicentre cohort study, The Lancet Digital Health (2025). DOI: 10.1016/j.landig.2025.100891
