Een deep learning radiopathomische handtekening voorspelt het terugkeer‑risico van hepatocellulair carcinoom na hepatectomie

Waarom dit belangrijk is voor mensen met leverkanker

Leverkanker behoort tot de dodelijkste kankersoorten wereldwijd, en zelfs wanneer chirurgen de zichtbare tumor verwijderen, keert de ziekte bij veel patiënten binnen enkele jaren terug. Deze studie introduceert een kunstmatige‑intelligentie‑instrument dat medische scans en microscoopbeelden van tumoren combineert om beter te voorspellen wie waarschijnlijk hepatocellulair carcinoom — de meest voorkomende vorm van leverkanker — opnieuw zal krijgen. Zulke voorspellingen kunnen artsen helpen de nabehandeling en aanvullende therapieën op maat te maken, met als doel recidief te voorkomen en de levensduur van patiënten te verlengen.

De hele tumor zien, van buiten en van binnen

Artsen baseren schattingen van het recidiefrisico na leveroperatie doorgaans op CT‑scans, bloedonderzoeken en basale pathologierapporten. Elk van deze instrumenten bekijkt de tumor vanuit een andere invalshoek, maar geen van allen vangt de volledige complexiteit. CT‑beelden tonen de algemene vorm van de tumor, de bloedvoorziening en de relatie met de lever, terwijl microscoop‑preparaten laten zien hoe agressief de kankercellen eruitzien en hoe ze met het omringende weefsel interageren. De onderzoekers stelden dat een computersysteem dat beide niveaus tegelijk ‘bekijkt’ — orgaanbrede scans en cel‑niveau beelden — patronen kan herkennen die mensen missen en daardoor nauwkeuriger kan voorspellen of de kanker zal terugkeren.

Een gecombineerde digitale vingerafdruk van de tumor

Het team ontwikkelde wat zij een deep learning radiopathomische (DLRP) handtekening noemen, in essentie een digitale vingerafdruk van de tumor van elke patiënt, opgebouwd uit twee gegevensbronnen. Ten eerste maakte een neuraal netwerk automatische contouren van tumoren op preoperatieve CT‑scans en leerde subtiele beeldkenmerken die samenhangen met recidief. Ten tweede analyseerde een ander netwerk hele‑slide‑beelden van routinematig hematoxyline‑en‑eosine‑gekleurd weefsel, waarbij de beelden in duizenden kleine patches werden opgesplitst om te leren welke microscopische patronen het meest relevant waren. Een fusie‑module verweefde vervolgens de CT‑kenmerken en pathologie‑kenmerken tot één risicoscore die het gedrag van de tumor weerspiegelt in plaats van één afzonderlijk zichtbaar kenmerk.

Het scoren getest in echte patiënten

De onderzoekers pasten dit systeem toe op 599 personen die een operatie voor hepatocellulair carcinoom ondergingen in vier ziekenhuizen, en verdeelden hen in trainings‑ en onafhankelijke testgroepen. In alle testsets voorspelde de DLRP‑handtekening de recidiefvrije overleving beter dan modellen die alleen CT, alleen pathologie, standaard klinische variabelen zoals tumor‑grootte en bloedmarkers of het veelgebruikte Barcelona Clinic Liver Cancer‑stadium gebruikten. Patiënten met hoge DLRP‑scores hadden een duidelijk grotere kans op terugkeer van de tumor en ook een kortere totale overleving. Belangrijk was dat dit effect zichtbaar bleef in veel subgroepen, waaronder kleine versus grote tumoren, enkele versus meerdere tumoren en met of zonder cirrose, wat suggereert dat de score kernaspecten van tumoragressiviteit vastlegt.

Leiden naar aanvullende behandeling en inzicht in biologie

Buiten de prognose hielp de score ook te identificeren welke patiënten baat kunnen hebben bij een aanvullende ingreep genaamd postoperatieve adjuvante transarteriële chemo‑embolisatie (PA‑TACE), waarbij chemotherapie gemengd met een olieachtig contrastmiddel in de leverarteriën wordt geïnjecteerd. Over alle patiënten samen bleken degenen die PA‑TACE kregen doorgaans langer vrij van recidief te blijven. Maar wanneer de groep werd opgesplitst op basis van de DLRP‑handtekening, concentreerde het voordeel zich vrijwel geheel bij de hoogrisico‑patiënten; laagrisico‑patiënten profiteerden duidelijk niet, wat impliceert dat zij de lasten van extra therapie mogelijk veilig kunnen vermijden. Het team onderzocht ook waarom hoogrisico‑tumoren zich slechter gedragen door DLRP‑scores te koppelen aan genetische data uit The Cancer Genome Atlas. Hoge scores waren geassocieerd met activatie van het Wnt/β‑catenine‑pad, dat bekendstaat om tumorgroei en resistentie tegen immunotherapie te stimuleren, en met minder door het immuunsysteem bestrijdende cellen, met name CD8 T‑cellen, die de tumor infiltreren.

Wat dit betekent voor toekomstige zorg bij leverkanker

Voor een leek is de kernboodschap dat computers nu beelden vergelijkbaar met röntgenfoto’s en microscopische beelden kunnen samenvoegen tot één getal dat aangeeft hoe waarschijnlijk het is dat leverkanker na een operatie terugkeert. Deze studie toont dat zo’n getal traditionele stadie‑systemen kan overtreffen en kan helpen beslissen wie echt aanvullende behandeling en intensiever vervolg nodig heeft. Hoewel het hulpmiddel nog prospectief getest moet worden in bredere patiëntpopulaties, inclusief patiënten wier leverziekte niet door hepatitis B is veroorzaakt, wijst het op een toekomst waarin behandelplannen gevormd worden door rijke, meervoudige portretten van ieders tumor in plaats van alleen door grootte en stadium.

Bronvermelding: Wang, G., Chen, W., Liang, Z. et al. A deep learning radiopathomic signature predicts recurrence risk of hepatocellular carcinoma after hepatectomy. Commun Biol 9, 295 (2026). https://doi.org/10.1038/s42003-026-09571-5

Trefwoorden: hepatocellulair carcinoom, terugkeer van leverkanker, deep learning, medische beeldvorming, tumormicro‑omgeving