Tumor-imuunsysteem interactie analyse in pathologie beelden met kunstmatige intelligentie voor betere selectie van immuuntherapie respons bij slokdarm en maagkanker patienten

Slokdarm en maagkanker patiënten hebben een slechte prognose ondanks behandeling met chemo- en radiotherapie. Immuuntherapie is een revolutionaire behandeling dat het eigen immuunsysteem stimuleert kankercellen te bestrijden. De gezondheidswinst is veelbelovend, in een beperkte groep patiënten. Succesvolle immuuntherapie is afhankelijk van verschillende tumorcel- afweersysteem interacties; Hiervoor wordt vaak aanwezigheid van tumor infiltrerende immuun cellen (TILs), PD-L1 eiwit expressie geanalyseerd, of hoe tumorcellen als lichaamsvreemd worden beschouwd, weerspiegeld in aantal tumor-DNA mutaties (TMB) en microsatelliet-instabiliteit (MSI). Met immuuntherapie is voor slokdarm-maagkanker patiënten nog maar weinig ervaring.

Probleem

Om toegang tot immuuntherapie te krijgen wordt over het algemeen TIL, PD-L1 eiwit expressie of de lichaamsvreemdheid van tumorcellen geanalyseerd. Deze testen zijn overeenkomstig voor de meeste kanker types zoals melanoom, longkanker en ook slokdarm en maagkanker en vereisen complex, duur en tijdrovend aanvullend onderzoek. Het interpreteren van een deel van deze testen zoals TIL en PD-L1 expressie door de patholoog is onderhevig aan een aanzienlijke variatie met als gevolg dat er verkeerde beslissingen in de behandeling worden genomen. Met de huidige manier van testen lukt het niet goed om die patiënten te selecteren die er het meest baat van hebben. Aangezien immuuntherapie is erg duur is draagt deze situatie bij aan de enorme stijging van zorgkosten. Het is de verwachting dat in 2026 in de Europese Unie alleen al meer dan € 40 miljard aan immuuntherapie wordt uitgegeven. Er is derhalve een dringende behoefte aan om de huidige testmethoden te verbeteren.

Onderzoeksrichting

In plaats van het bepalen van een enkele biomarker die de tumor-immuunsysteem interactie karakteriseert laten studies zien dat het belangrijk is meerdere van deze biomarkers te testen om te bepalen of iemand baat kan hebben van immuuntherapie. Bovendien lijkt het belangrijk de onderling relatie van deze markers en ten opzichte van de tumorcellen van de patiënt te bepalen. Wij hebben zelf ook laten zien dat deze patronen van TIL ten opzichte van tumorcellen en de PD-L1 eiwit expressie van voorspellende waarde kan zijn voor de behandel uitkomst.
Om de uitslagen van deze verschillende soorten biomarkers te integreren en de onderlinge samenhang hiervan te kwantificeren om te kunnen voorspellen wie er baat heeft van immuuntherapie is erg complex. Kunstmatige Intelligentie systemen hebben aangetoond dat zij erg goed zijn in het reproduceerbaar kwantifceren van meerdere data types en onderlinge verbanden te kunnen combineren. Zij worden steeds meer toegepast in de geneeskunde en medisch beeldvorming en blijken goed in staat te zijn om op gedigitaliseerde pathologie beelden tumorcel karakteristieken te bepalen zonder dat daar aanvullend onderzoek voor nodig is.

Onderzoeksvragen

• Kunnen we kunstmatige intelligentie-algoritmen ontwikkelen voor accurate en reproduceerbare bepaling van TILs en PD-L1 op standaard digitale pathologie beelden van tumorweefsel van patienten met slokdarm en maagkanker.
• Is het mogelijk om op standaard pathologie beelden met kunstmatig intelligentie-algoritmen te bepalen van hoe tumorcellen als lichaamsvreemd worden beschouwd, bovendien zonder dat daarbij aanvullende complexe en dure immuunhistochemische en moleculaire onderzoeken nodig zijn. 
• Kunnen we met behulp van kunstmatige intelligentie-algoritmen al deze individuele biomarkers tegelijkertijd  als geïntegreerde kanker-immuun systeem interactie analyse bepalen waarbij we ook de patronen van onderlinge samenhang goed in kaart kunnen brengen.
• De waarde van deze geautomatiseerde en geïntegreerde analyse algoritmes willen we vergelijken met de klinische uitkomst van patiënten die behandeld zijn met immuuntherapie om zo beter te kunnen selecteren wie het meeste baat van de behandeling zal hebben en er bij wie onnodige behandelingen kunnen worden voorkomen.

Onderzoeksopzet

Van grote hoeveelheden slokdarm- en maagkanker-patienten, behandeld in het AmsterdamUMC en binnen landelijke consortia, hebben we alle klinische gegevens, pathologie beelden en genomische kenmerken van tumorcellen vastgelegd. Door deze unieke dataverzameling te digitaliseren en met innovatieve zelflerende computersystemen te analyseren kunnen we verschillende parameters van kanker-immuunsysteem interactie direct geïntegreerd uitlezen op standaard pathologie beelden zonder dat aanvullend onderzoek noodzakelijk is. Dit kunnen we dan correleren met respons op immunotherapie en zullen een externe data set gebruiken om de resultaten te kunnen valideren.

Verwachte uitkomsten

Door deze snelle en kostenefficiënte test te ontwikkelen kunnen grote hoeveelheden slokdarm en maagkankerpatienten laagdrempelig worden getest voor geschiktheid voor immunotherapie. Met deze geïntegreerde analyses kunnen nieuwe biomarker patronen worden geïdentificeerd die succesvolle behandeling kunnen voorspellen en onnodige behandelingen voorkomen waarmee op gezondheidszorg kosten kan worden bespaard.