Opsporing en classificatie van schildklierkanker met spectrale beeldvorming en kunstmatige intelligentie

Waarom vroege opsporing van schildklierkanker ertoe doet

Schildklierkanker is de meest voorkomende kanker van hormoonproducerende klieren en de diagnose berust nog steeds grotendeels op wat een patholoog onder de microscoop ziet. Zelfs deskundigen kunnen echter van mening verschillen, vooral bij grensgevallen die deels onschuldig en deels zorgwekkend ogen. Deze studie beschrijft een nieuwe manier om standaard schildklierweefselsnedes te analyseren met geavanceerde lichtmeting en kunstmatige intelligentie, met als doel artsen te helpen normaal weefsel nauwkeuriger en consistenter van kanker te onderscheiden.

Verder kijken dan gewone kleur in weefselsnedes

In de dagelijkse praktijk wordt bij verwijderde schildklierweefsels het weefsel in dunne plakjes gesneden, roze en paars gekleurd en onder de microscoop bekeken. De kleuren komen van twee kleurstoffen, hematoxyline en eosine, die celkernen en omliggend weefsel markeren. Traditionele digitale scanners zetten dit om in een eenvoudige rood‑groen‑blauw (RGB) afbeelding, vergelijkbaar met een telefooncamera. Het team achter dit werk bouwde een ander type afbeeldingssysteem, spectrale beeldvorming genoemd, dat meet hoe elk klein puntje in de snede licht absorbeert over tientallen kleuren in het zichtbare spectrum in plaats van slechts drie. Dit rijkere "kleurvingerafdruk" legt subtiele verschillen vast die samenhangen met hoe dicht opeengepakt en georganiseerd het genetisch materiaal in elke celkern is, kenmerken die bij kanker vaak veranderen.

Spectra van individuele cellen omzetten in bruikbare informatie

Om deze gedetailleerde metingen te benutten, lieten de onderzoekers eerst ervaren pathologen duidelijk normale en duidelijk tumorale gebieden op elke snede afbakenen. Hun spectrale microscoop scande vervolgens beide gebieden in ongeveer 5–10 minuten per monster en verzamelde ongeveer 40 lichtintensiteitswaarden per pixel. Een gespecialiseerd neuraal netwerk, gebaseerd op een ontwerp dat veel wordt gebruikt in medische beeldvorming, vond automatisch en omlijnde de kernen van individuele cellen. Voor elke kern berekende het systeem het gemiddelde spectrum en de grootte en vorm, samen met hoe sterk het spectrum afweek van typische normale en typische kankerkernen. Op die manier wordt wat een patholoog kwalitatief ziet als "donkerder" of "dichter opeengepakte" kernen vertaald naar numerieke kenmerken die een computer kan analyseren.

Twee wegen om normale en kwaadaardige cellen te scheiden

De studie onderzocht twee aanvullende methoden om cellen te classificeren. In een semi‑geautomatiseerde aanpak markeert een patholoog nog steeds één gebied als normaal en één als tumor. Het systeem vergelijkt dan het spectrum van elke kern met referentiespectra uit deze twee gebieden en gebruikt een eenvoudige clusteringmethode om waarschijnlijke normale van waarschijnlijke kankercellen te scheiden. Deze methode behaalde F1‑scores—een balans tussen gevoeligheid en precisie—rond 0,8 of hoger voor de belangrijkste subtypes van schildklierkanker, met verdere verbetering wanneer grensgevallen met gemengde kenmerken werden uitgezonderd. In een volledig geautomatiseerde aanpak leerde een machine‑learningmodel, een random forest genaamd, van meer dan 150.000 gelabelde kernen patronen in kerngrootte, vorm en spectrale gedragingen herkennen die op kanker wijzen. Getest op afzonderlijke patiëntgevallen bereikte het eveneens F1‑scores boven 0,82, zonder dat handmatige gebiedsaanduiding nodig was.

Van individuele cellen naar beslissingen over heel weefsel

Artsen baseren behandeling niet op het lot van een enkele cel, maar op de vraag of grotere weefselgebieden kwaadaardig zijn en hoe ver de ziekte zich mogelijk heeft verspreid. De onderzoekers evalueerden daarom hoe hun systeem presteert wanneer het cellen groepeert in kleine subregio's en elk gebied labelt als tumor of normaal als de meeste kernen daarin kankergevoelig of juist normaal lijken. Dit regiogeoriënteerde perspectief verhoogde de nauwkeurigheid verder, vooral door vals alarms in normaal weefsel te verminderen. Belangrijk is dat de aanpak transparant bleef: elke beslissing is terug te voeren op zichtbare celkenmerken en spectra, waardoor het "black box"‑gedrag dat sommige deep‑learningtools in de kliniek onbetrouwbaar maakt, vermeden wordt.

Wat dit kan betekenen voor patiënten en artsen

De studie toont aan dat het toevoegen van gedetailleerde spectrale metingen en zorgvuldig ontworpen AI aan routinematige schildklier­sneden betrouwbaar kan aangeven waar kanker aanwezig is, zelfs bij lastige subtypes die experts vaak verwarren. Omdat de methode werkt met dezelfde standaardkleuringen die wereldwijd al gebruikt worden, kan ze in digitale pathologieworkflows worden ingebouwd zonder de bereidingswijze van weefsel te veranderen. In plaats van pathologen te vervangen, levert het systeem een kaart van waarschijnlijke normale en kankercellen over de snede, die helpt moeilijke diagnoses te bevestigen, beoordelingen te versnellen en mogelijk het risico op zowel gemiste kankers als onnodig agressieve behandeling te verlagen.

Bronvermelding: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Trefwoorden: schildklierkanker, digitale pathologie, spectrale beeldvorming, kunstmatige intelligentie, kankerdiagnose