Deep learning met multi-omics verbetert FDG PET-CT-gebaseerde langetermijnprognose van borstkanker

Waarom dit belangrijk is voor patiënten en families

Wanneer iemand de diagnose borstkanker krijgt, is een van de eerste vragen die gesteld worden: “Wat betekent dit voor mijn toekomst?” De huidige stadieeringssystemen en laboratoriumtests geven slechts ruwe schattingen. Deze studie onderzoekt of het combineren van medische scans, doktersrapporten en basis-klinische gegevens met geavanceerde kunstmatige intelligentie een duidelijker, meer gepersonaliseerd beeld kan geven van de langetermijnoverleving en het risico op terugkeer van de kanker.

Inzicht in het brandstofgebruik van het lichaam

Een belangrijk hulpmiddel in dit onderzoek is een scan die FDG PET-CT heet. Die laat niet alleen de vorm van weefsels zien, zoals een gewone CT, maar ook hoeveel suiker ze verbruiken, wat onthult hoe actief een tumor is. Artsen weten al dat bepaalde cijfers uit deze scans — zoals hoe “fel” de tumor lijkt of hoe groot deze is — samenhangen met uitkomsten. Deze traditionele metingen vangen echter maar een klein deel van de rijke informatie in de beelden en zijn vaak afhankelijk van arbeidsintensief werk door specialisten om tumoren handmatig af te bakenen.

Computers leren scans en verslagen lezen

De onderzoekers verzamelden FDG PET-CT-scans, bijbehorende radiologierapporten en routinematige klinische gegevens van 1.210 vrouwen met borstkanker die in 15 jaar tijd in één Nederlands kankercentrum werden behandeld. Niemand had bij de diagnose zichtbare verre uitzaaiingen. Ze bouwden een systeem dat Multi-Omics Prognostic Stratification (MOPS) heet en dat gebruikmaakt van deep learning — een vorm van kunstmatige intelligentie die patronen leert uit grote datasets — om drie soorten informatie te combineren: de scans zelf, de geschreven rapporten waarin radiologen hun waarnemingen beschrijven, en klinische factoren zoals leeftijd, tumorgrootte, lymfeklierstatus en hormoonreceptortypes. Een geautomatiseerd programma markeerde eerst borsttumoren en aangedane lymfeklieren, zodat het model zich kon concentreren op de meest relevante regio’s zonder handmatige contouren.

Meer halen uit veel aanwijzingen samen

Het team controleerde eerst hoe goed de gebruikelijke scan-gebaseerde getallen voorspelden wie langer zou leven en wie mogelijk recidief zou krijgen. Maten die de totale tumorbelasting weergeven, zoals metabolisch tumorvolume en totale laesie-glycolyse, deden het beter dan een eenvoudige piekfelheidmaat, maar hun nauwkeurigheid bleef beperkt. Een deep learning-model dat de hele borstkas op PET-CT analyseerde, presteerde beter dan deze traditionele parameters. Vervolgens testten de onderzoekers drie gegevensstromen apart: de beelden, de geschreven rapporten en de klinische informatie. Hiervan leverde de klinische informatie op zichzelf de sterkste enkele bron van prognostische kracht. Toch verbeterde de prestatie verder wanneer alle drie werden samengevoegd in het MOPS-systeem, wat betrouwbaardere voorspellingen gaf voor zowel de totale overleving als de ziektevrije overleving over 3, 5 en 10 jaar.

De zwarte doos openen

Aangezien artsen elk hulpmiddel dat behandelingsbeslissingen beïnvloedt moeten kunnen vertrouwen en uitleggen, is MOPS ontworpen met uitlegbaarheid in gedachten. Heatmaps over CT-sneden toonden dat het model zich richtte op de primaire borsttumoren en betrokken lymfeklieren, in plaats van op irrelevante delen van de afbeelding. Voor de klinische gegevens benadrukte het model bekende invloedrijke factoren zoals tumorgrootte (T-stadium), lymfeklierstatus en familiegeschiedenis. In de tekstgevende rapporten neigde het model ernaar woorden te benadrukken die lymfeklieren, tumorlocatie en metabole activiteit beschrijven, echoënd wat radiologen zelf ook belangrijk vinden. Over verschillende tumorstadia en biologische subtypes kon het model patiënten opdelen in groepen met hoger en lager risico, hoewel het verschil vanzelfsprekend minder uitgesproken was voor zeer kleine, vroegstadiumtumoren die al uitstekende overlevingskansen hebben.

Wat dit voor de zorg zou kunnen betekenen

Praktisch gezien suggereert dit werk dat het doordacht combineren van beeldvorming, doktersverslagen en standaard klinische informatie de schattingen van het langetermijnperspectief van een borstkankerpatiënt kan verscherpen, meer dan elk afzonderlijke bron kan. Als het gevalideerd wordt in andere ziekenhuizen en op verschillende scanners, zou een hulpmiddel als MOPS artsen kunnen helpen patiënten te identificeren die daadwerkelijk intensievere monitoring of behandeling nodig hebben, terwijl patiënten met lager risico onnodige therapieën en zorgen kunnen worden bespaard. In plaats van clinici te vervangen, fungeert het systeem als een tweede paar ogen dat complexe data omzet in een geïndividualiseerde risicoscore en zo duidelijkere gesprekken over prognose en vervolgstappen ondersteunt.

Bronvermelding: Liang, X., Zhang, T., Braga, M. et al. Multi-omics deep learning improves FDG PET-CT-based long-term prognostication of breast cancer. npj Precis. Onc. 10, 74 (2026). https://doi.org/10.1038/s41698-026-01283-7

Trefwoorden: prognose borstkanker, PET-CT beeldvorming, deep learning, multi-omics, overlevingsvoorspelling