Combineren van epitheliale morfologie met spatiale transcriptomics voor de stratificatie van patiënten

Momenteel is het TNM systeem de gouden standaard om de fase waarin een tumor zich bevindt te beschrijven. Het neemt de grootte van de primaire tumor in rekening, evenals de invasie in nabijgelegen weefsel, de aanwezigheid in nabije lymfeknopen evenals het bestaan van metastases. Een kritieke component hiervoor is het analyseren van diagnostische beelden die morfologische informatie bevatten. Deze H&E (hematoxyline & eosine) gekleurde slides worden manueel onderzocht door pathologen via specifiek vastgelegde criteria. Dit proces is zeer tijdsintensief en onderhevig aan variatie tussen pathologen. Computationele methoden ter ondersteuning van pathologen kunnen hier helpen om de analyse sneller en met minder variatie te doen verlopen. H&E beelden zijn beschikbaar in grote volumes. Deze databeschikbaarheid heeft er dan ook toe geleid dat een groot aantal computationele methoden reeds ontwikkeld zijn in dit decennium. Ondanks de verschillende benaderingen, zijn deze in het algemeen zeer onbetrouwbaar door bias in de data gebruikt om de modellen te trainen (e.g. TCGA-BRCA), inconsistente of overdreven normalisatie van de beeldgegevens, assumpties die biologisch gezien niet correct zijn of het gebrek aan aandacht voor de validatie en stabiliteit van het model in het algemeen. Een oplossing hiervoor is het gebruik van kanker-geassocieerde spatiale transcriptoomdatasets. Steeds meer Visium, Xenium, MERSCOPE en VisiumHD datasets worden publiek beschikbaar gesteld. Door de combinatie van morfologie met genexpressie op dezelfde slide, kunnen veel van de problemen in bestaande modellen opgelost of voorkomen worden, aangezien de genexpressie nu gebruikt kan worden om het leerproces te begeleiden. Hierdoor zijn er nu interessante mogelijkheden om de relatie tussen TNM staging en de diagnostische slide opnieuw te bekijken in het licht van de nieuwe generatie aan biomarkers.