Diep leren voor voorspelling van maligniteit en tumoroorsprong met cytologie- of histopathologie‑whole slide‑afbeeldingen

Waarom vloeistoffen rond longen en buik ertoe doen

Wanneer zich vocht ophoopt rond de longen (pleuravocht) of in de buikholte (ascites), kan dat een vroeg teken zijn dat kanker is uitgezaaid. Artsen onderzoeken deze vloeistoffen onder de microscoop op kankercellen, maar die taak is arbeidsintensief en ook experts kunnen van mening verschillen. Deze studie beschrijft een nieuw kunstmatig‑intelligentiesysteem (AI) dat volledige digitale preparaten van deze vloeistoffen kan scannen, helpen bepalen of er kanker aanwezig is en zelfs suggereren waar in het lichaam de tumor waarschijnlijk is begonnen.

Microscooppreparaten omzetten in digitale kaarten

Moderne pathologielaboratoria kunnen glazen preparaten scannen naar ultra‑hogeresolutie digitale beelden, elk met miljoenen cellen. De onderzoekers gebruikten deze whole slide‑afbeeldingen van twee typen preparaten: dunne “smears” van cellen en compacte “cell blocks” die op kleine weefselmonsters lijken. Ze concentreerden zich op vocht uit de borstkas en buik verzameld in een groot ziekenhuis, aangevuld met weefselmonsters uit een omvangrijke internationale kankerdatabase. Omdat het handmatig markeren van elke kankercel op deze schaal onmogelijk is, ontwikkelde het team een methode die kan leren van slide‑niveau labels zoals “maligne” of “benigne” zonder gedetailleerde annotaties.

Een AI die zichzelf leert waar op te letten

Het systeem, MAMILE‑UNI genoemd, combineert twee kernideeën. Ten eerste deelt het elke slide op in veel kleine beeldpatches en voert die door een krachtig “transformer”‑netwerk dat vooraf getraind is, zonder menselijke labels, op miljoenen pathologiebeelden. Deze zelfgestuurde trainingsstap laat het model nuttige visuele patronen ontdekken—zoals celclusters en weefseltexturen—op eigen houtje. Ten tweede leert een attention‑module welke patches op een slide het belangrijkst zijn voor de diagnose, wat het scannende gedrag van een patholoog nabootst. Patches die de beslissing sterk beïnvloeden worden benadrukt en leveren heatmaps op die laten zien waar het algoritme “keek” bij het labelen van een slide als kwaadaardig of niet.

Kanker detecteren in borst- en buikvloeistoffen

Het team evalueerde MAMILE‑UNI op 1.250 vochtpreparaten van pleuravocht en ascites. Vergeleken met vijf toonaangevende deep‑learningmethoden was het nieuwe systeem consequent nauwkeuriger. Voor pleuravocht onderscheidde het ongeveer 9 van de 10 keer correct maligne van benigne slides, zowel voor smears als cell blocks. Voor ascites behaalde het vergelijkbare nauwkeurigheid en blonk het uit in het behouden van zowel hoge gevoeligheid (waarbij echte kankergevallen worden gevonden) als hoge specificiteit (het vermijden van valse alarmen). Statistische toetsen toonden aan dat de voorspellingen nauw overeenkwamen met de werkelijke diagnoses en significant beter waren dan die van concurrerende AI‑modellen. Belangrijk is dat het systeem betrouwbaar bleef zelfs wanneer kankercellen zeldzaam op een slide voorkwamen—een situatie die menselijke lezers vaak uitdaagt.

Herleiden waar de kanker vandaan kwam

Buiten het alleen signaleren van maligniteit vroegen de auteurs zich af of AI ook kon afleiden waar een metastatische tumor begon—een grote uitdaging wanneer de primaire locatie onbekend is. Met cytologie‑smears van pleuravocht en ascites leerde het model slides toe te wijzen aan brede oorsprongscategorieën zoals long, borst, gastro‑intestinaal kanaal of gynaecologische organen. Het was bijzonder nauwkeurig voor long‑ en borstkanker, terwijl de prestaties voor zeldzamere of visueel gevarieerdere tumoren gematigder waren. Om de generaliseerbaarheid te testen, pasten de onderzoekers MAMILE‑UNI ook toe op 1.196 weefselcoupes uit 69 ziekenhuizen wereldwijd. Op deze histologiedia’s identificeerde het systeem de tumoroorsprong met opvallend hoge nauwkeurigheid, waarbij de overeenstemming met de grondwaarheid bijna perfect was.

Snelheid, efficiëntie en ondersteuning voor clinici

Pathologen besteden vaak ten minste tien minuten aan het zorgvuldig beoordelen van één digitale cytologieslide. MAMILE‑UNI kan daarentegen een gehele slide verwerken en binnen twee minuten een voorspelling teruggeven op een standaard grafische kaart, nadat gigabyte‑grote beelden zijn gecomprimeerd tot compacte featuresets. Kurve‑gebaseerde evaluaties toonden dat het model echte maligne gevallen doorgaans hoog in zijn prioriteitslijst plaatst, een gunstige balans biedt tussen voordelen en nadelen over verschillende beslissingsdrempels en waarschijnlijkheidsscores oplevert die goed overeenstemmen met uitkomsten in de praktijk. Attention‑kaarten overlapten sterk met door deskundige pathologen gemarkeerde gebieden, wat suggereert dat de focus van de AI klinisch betekenisvol is in plaats van willekeurig.

Wat dit betekent voor patiënten en artsen

Voor patiënten met vocht in de borst- of buikholte bepaalt een tijdige en nauwkeurige diagnose in sterke mate de behandeling, maar huidige tests kunnen traag, subjectief en kostbaar zijn. Deze studie toont aan dat een zorgvuldig ontworpen AI‑systeem digitale vloeistof‑ en weefselslides betrouwbaar kan screenen op tekenen van kanker en aanwijzingen kan geven over waar de ziekte begon, terwijl het bescheiden rekenmiddelen gebruikt. De auteurs benadrukken dat MAMILE‑UNI geen vervanging is voor pathologen, maar een ondersteunend hulpmiddel dat de werklast kan verminderen, de consistentie kan verbeteren en de toegang tot hoogwaardige kankerdiagnostiek kan vergroten—vooral in omgevingen waar specialistische expertise en geavanceerde laboratoriumtests beperkt zijn.

Bronvermelding: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Trefwoorden: cytologie AI, pleuravocht, ascites, voorspelling tumoroorsprong, digitale pathologie