Intraoperatieve bioptbeeldvorming van longkankerrisico

De verborgen sporen van kanker zichtbaar maken

Longkankerchirurgen staan voor een hoog inzetbaar raadsel: tijdens een operatie moeten ze snel kleine tumoren en hun precieze randen vinden, maar de huidige instrumenten kunnen gevaarlijke plekken over het hoofd zien of te veel tijd vergen. Deze studie introduceert een nieuwe manier om kanker "te zien" door niet naar de tumorcellen zelf te kijken, maar naar het microscopische geraamte dat hen omringt. Door geavanceerde laserbeeldvorming te combineren met kunstmatige intelligentie laten de auteurs zien dat het mogelijk is longkanker en diens grenzen snel en met opmerkelijke nauwkeurigheid te detecteren.

Het ondersteunende weefsel dat een verhaal vertelt

Onze longen worden bijeengehouden door een netwerk van eiwitvezels, de extracellulaire matrix. Twee sleutelspelers, collageen en elastine, geven longweefsel stevigheid en rekbaarheid. Wanneer kanker zich ontwikkelt, wordt dit vezelnetwerk gemodelleerd: de ordening verandert, de dichtheid wijzigt en de interacties tussen vezels verschuiven. De onderzoekers redeneerden dat deze subtiele structurele verschuivingen betrouwbare vingerafdrukken van kanker kunnen zijn, zelfs wanneer tumoren moeilijk te zien zijn met gewone chirurgische camera’s.

Een zachte lasermicroscoop in de operatiekamer

Het team bouwde een op maat gemaakte multiphotonmicroscoop, een soort lasersysteem dat honderden micrometers diep in vers weefsel kan kijken zonder kleurstoffen toe te voegen. Met één nabij-infrarode lasersetting registreert het gelijktijdig twee signalen: één die collageen benadrukt en één die elastine toont. Deze dubbele beeldvorming levert scherpe 3D-weergaven van het vezelnetwerk van de long binnen enkele minuten per locatie, snel genoeg om praktisch toepasbaar te zijn tijdens een operatie. De methode werd getest op weefsel van 222 patiënten met longadenocarcinoom, waarbij honderden kleine 3D-beeldstapels werden vastgelegd uit zowel tumor- als normale regio’s.

AI leren het vezelpatroon te lezen

In plaats van deze beelden met het blote oog te beoordelen, maten de wetenschappers elk klein volumeelement, of voxel, op meerdere kenmerken: hoe uitgelijnd de vezels zijn, hoe golvend ze lijken, hoe dicht ze de ruimte vullen, hoe dik de elastinestrengen zijn en hoe vergelijkbaar naburige collageen- en elastinevezels zijn in positie en richting. Ze introduceerden een nieuwe "similariteitscoëfficiënt" die toeneemt wanneer collageen en elastine dicht bij elkaar liggen en in dezelfde richting wijzen. Met unsupervised learning groepeerden ze miljoenen voxels in terugkerende vezel-"vocabularia" die veelvoorkomende structurele patronen vastleggen. Een standaard machine-learningclassificator leerde vervolgens hoe de samenstelling van deze vocabularia verschilt tussen normaal en kankerverwekkend weefsel.

Van onzichtbare patronen naar risicokaarten

Toen dit kader op een onafhankelijke set longmonsters werd getest, identificeerde het kanker met een sensitiviteit van ongeveer 99%, wat betekent dat het bijna nooit een tumor miste. De onderzoekers gingen verder en creëerden een "kankerrisico-index" voor elk vezelvocabularium, die aangeeft of het de neiging heeft in gezond of ziek weefsel voor te komen. Door elke voxel volgens deze index in te kleuren, genereerden ze intuïtieve risicokaarten: tumorgebieden gloeien in warme tinten, normale delen in koele tinten en grenszones tonen een mengeling. Deze kaarten tekenden succesvol de tumor-normale grens af in menselijke monsters en toonden dezelfde remodelleertendensen in een levend muismodel, wat suggereert dat de aanpak vertaald zou kunnen worden naar realtime begeleiding in de operatiekamer.

Wat dit voor patiënten zou kunnen betekenen

In plaats van te wachten op ingevroren sectie-pathologie, zouden chirurgen op termijn verdachte longgebieden kunnen scannen met een kleine laserprobe en direct kunnen zien waar kanker het meest waarschijnlijk schuilt, zoals onthuld door het herordende collageen en elastine daaromheen. Deze studie toont aan dat het ondersteunende raamwerk van de tumor een sterk, leesbaar risico-signaal draagt en dat AI dat signaal kan omzetten in heldere visuele aanwijzingen. Als dit tot klinische hulpmiddelen wordt ontwikkeld, kan dergelijke beeldvorming biopsieën nauwkeuriger maken, herhaalde operaties verminderen en helpen gevaarlijk weefsel te verwijderen terwijl zoveel mogelijk gezond longweefsel behouden blijft.

Bronvermelding: Qian, S., Yang, L., Meng, J. et al. Intraoperative biopsy imaging of lung cancer risk. Commun Med 6, 143 (2026). https://doi.org/10.1038/s43856-026-01406-y

Trefwoorden: longkankerchirurgie, intraoperatieve beeldvorming, extracellulaire matrix, multiphotonmicroscopie, kunstmatige intelligentie diagnostiek