Integratie van radiomics, deep learning, transcriptomics en metabolomics onthult prognostische risicostratificatie en onderliggende biologische mechanismen bij colorectale kanker

Waarom dit onderzoek van belang is voor patiënten en families

Colorectale kanker is een van de meest voorkomende en dodelijke kankers wereldwijd, maar artsen hebben nog steeds moeite om te voorspellen welke patiënten het goed zullen doen na een operatie en welke een hoger risico lopen te overlijden aan de ziekte. Deze studie toont aan dat gewone medische scans, gecombineerd met geavanceerde computeranalyse en moleculaire tests, patiënten in duidelijke risicogroepen kunnen indelen en verborgen biologie binnen tumoren kunnen blootleggen. In de toekomst kan dit soort benadering helpen behandelingen en nazorg op maat te maken, zodat hoogrisicopatiënten intensiever worden gevolgd en krachtigere therapieën krijgen, terwijl laagrisicopatiënten onnodige bijwerkingen kunnen vermijden.

In tumoren kijken zonder scalpel

De onderzoekers concentreerden zich op contrastversterkte CT-scans, een routinematig beeldvormend onderzoek dat al wordt gebruikt bij de evaluatie van colorectale kanker. In plaats van te vertrouwen op wat het menselijk oog kan zien, gebruikten ze radiomics en deep learning om bijna 2.000 kleine kwantitatieve kenmerken uit de beelden te halen, waarmee subtiele patronen van vorm en textuur werden vastgelegd die de heterogeniteit van de tumor weerspiegelen. Vervolgens testten ze systematisch 117 combinaties van tien machine-learningalgoritmen om de meest betrouwbare manier te vinden om deze beeldkenmerken te koppelen aan de overlevingstijd van patiënten. Het winnende model, dat twee technieken combineerde—Lasso en gradient boosting—leverde een enkele risicoscore op voor elke persoon, uitsluitend gebaseerd op de pre-operatieve CT-scan.

Laag- en hoogrisicopatiënten onderscheiden

Met CT-scans van 1.183 patiënten behandeld in vier ziekenhuizen trainde en valideerde het team hun deep learning-radiomicsmodel grondig. Ze bepaalden een drempelwaarde in de beeldgebaseerde score die patiënten in een laagrisico- en een hoogrisicogroep verdeelde. In de trainingsset, een interne validatieset en twee onafhankelijke ziekenhuizen leefden hoogrisicopatiënten consequent korter dan patiënten in de laagrisicogroep. Het vermogen van het model om uitkomsten te onderscheiden bleef ook bestaan in veel subgroepen, waaronder jongere en oudere patiënten, mannen en vrouwen, verschillende tumorstadia en onafhankelijk van chemotherapiegebruik. Toen de onderzoekers de beeldgebaseerde score combineerden met twee standaard klinische indicatoren—CEA in het bloed en het lymfeknoopstadium—in een eenvoudig grafisch hulpmiddel (nomogram), werden de voorspellingen van drie- en vijfjaarsoverleving nog nauwkeuriger en klinisch nuttiger.

Wat maakt de ene tumor gevaarlijker dan de andere?

Om verder te gaan dan prognose en te begrijpen waarom sommige tumoren agressiever zijn, koppelde het team beeldgebaseerde risicogroepen aan moleculaire veranderingen in de kanker. In een subset van patiënten analyseerden ze kleine moleculen in tumorweefsel met kernspinresonantiespectroscopie en vergeleken tumoren met nabijgelegen normaal weefsel. Ze vonden dat hoogrisico- en laagrisicotumoren onderscheidende metabole vingerafdrukken hadden, met betrokkenheid van routes die aminozuren en korte-keten vetzuren verwerken. Parallel onderzochten ze genactiviteit in tumoren uit een publieke beeldendatabase. Hoogrisktumoren toonden sterke signalen van routes gerelateerd aan de extracellulaire matrix—het ondersteunende geraamte rond cellen—wat bekendstaat als bevorderlijk voor uitzaaiing en therapieresistentie. Laagrisktumoren daarentegen waren verrijkt voor immuun-gerelateerde routes en hadden hogere niveaus van CD8 T-cellen die kankercellen doden, wat wijst op een meer actieve anti-tumor immuunomgeving.

Beschermende metabole routes gerelateerd aan betere overleving

Opvallend was dat zowel de metabolietdata als de genactiviteitsdata naar dezelfde twee metabole routes wezen—butanoaatmetabolisme en stikstofmetabolisme—als actiever in laagrisicotumoren. Deze routes zijn verbonden met producten van darmbacteriën en met hoe cellen stikstof verwerken, wat invloed heeft op energiebalans en immuunfunctie. Toen de onderzoekers een grote, onafhankelijke dataset van 417 colorectale kankerpatiënten uit The Cancer Genome Atlas raadpleegden, bleek dat lagere activiteit in deze twee routes duidelijk geassocieerd was met slechtere totale overleving. Dit suggereert dat het behouden van deze metabole processen kan helpen de tumorgroei te remmen of een sterkere immuunrespons te ondersteunen, en dat ze mogelijk in de toekomst als biomerkers of therapeutische doelwitten onderzocht kunnen worden.

Wat dit betekent voor toekomstige kankerzorg

In eenvoudige bewoordingen laat deze studie zien dat het combineren van slimme beeldanalyse met moleculaire profilering zowel prognostische instrumenten kan aanscherpen als inzicht kan geven in wat er binnen colorectale tumoren gebeurt. Een risicoscore afgeleid van standaard CT-scans, vooral in combinatie met routinematige klinische metingen, zou artsen kunnen helpen bepalen welke patiënten intensievere behandeling of follow-up nodig hebben na een operatie. Tegelijkertijd wijst de ontdekking dat bepaalde immuunsignaleringen en metabole routes geassocieerd zijn met betere uitkomsten op nieuwe mogelijkheden om de afweer van het lichaam te ondersteunen en gerichte therapieën te ontwerpen. Hoewel grotere, prospectieve studies nodig zijn om deze bevindingen te bevestigen, vormt deze integratieve benadering een stap richting meer gepersonaliseerde, op biologie geïnformeerde zorg voor mensen met colorectale kanker.

Bronvermelding: Li, Z., Cai, R., Qin, Y. et al. Integration of radiomics, deep learning, transcriptomics, and metabolomics reveals prognostic risk stratification and underlying biological mechanisms in colorectal cancer. npj Precis. Onc. 10, 155 (2026). https://doi.org/10.1038/s41698-026-01331-2

Trefwoorden: colorectale kanker, radiomics, deep learning, tumormetabolisme, immuunmicroomgeving