Machine learning en kunstmatige intelligentie bij vloeibare biopsie-gebaseerde vroegdetectie van alvleesklierkanker: een scoping review

Waarom vroege aanwijzingen in bloed en urine ertoe doen

Alvleesklierkanker behoort tot de dodelijkste veel voorkomende kankers omdat het zelden duidelijke symptomen veroorzaakt voordat het al is uitgezaaid. Deze review bekijkt hoe artsen het mogelijk vroeger kunnen opsporen door kleine sporen van tumormateriaal in alledaagse lichaamsvloeistoffen te bestuderen en kunstmatige intelligentie te gebruiken om verborgen patronen te herkennen. Voor patiënten en hun families is de hoop dat een eenvoudige bloed- of urinetest op een dag problemen kan signaleren lang voordat een tumor levensbedreigend wordt.

Een moeilijk bereikbaar orgaan met stille waarschuwingssignalen

De alvleesklier ligt diep in de buik, waardoor tumoren lange tijd stil kunnen groeien. Veel mensen merken in eerste instantie alleen vage klachten zoals vermoeidheid, maag- of rugpijn, gewichtsverlies of geelzucht. Op het moment dat pancreasductaal adenocarcinoom wordt ontdekt, heeft meer dan driekwart van de patiënten al kanker die in de omgeving of naar verre organen is uitgezaaid, en zeer weinigen komen in aanmerking voor chirurgie. Zelfs met moderne behandelingen is maar ongeveer één op de tien patiënten in de Verenigde Staten vijf jaar na diagnose nog in leven, dus verschuiven naar veel vroegere detectie is cruciaal.

Vloeibare biopsie als een minder ingrijpende kijk op kanker

Huidige screeningsinstrumenten voor mensen met hoog risico zijn gebaseerd op beeldvorming en endoscopische echo, die duur, ongemakkelijk en soms risicovol kunnen zijn. Vloeibare biopsie biedt een ander pad. In plaats van direct naar de alvleesklier te kijken, analyseren clinici bloed, urine, gal of cystevloeistof op moleculen die door tumoren zijn afgestoten. Daartoe behoren fragmenten van tumor-DNA, volledige tumorcellen, kleine membraangebonden vesikels en korte RNA-moleculen die genen helpen reguleren. Omdat deze markers met een eenvoudige bloedafname of urinebeker kunnen worden verzameld, zouden ze vaker en breder toepasbare controles kunnen ondersteunen, vooral wanneer ze gecombineerd worden in panelen in plaats van te vertrouwen op één marker zoals de jarenlang gebruikte bloedtest CA19-9.

Computers leren complexe moleculaire signalen lezen

De uitdaging is dat deze lichaamsvloeistoffen een drukke mix van normaal en abnormaal materiaal bevatten, en vroegstadiumkankers vaak slechts vage sporen achterlaten. De auteurs behandelen 18 recente studies die machine learning en deep learning inzetten om subtiele patronen in deze zee van data te herkennen. De meeste studies gebruikten bloedmonsters, enkele onderzochten urine, gal of pancreascystevloeistof. Veelgebruikte computermethoden zoals random forests en support vector machines werden getraind om patiënten met alvleesklierkanker te onderscheiden van gezonde vrijwilligers, van mensen met andere kankers of van personen met niet-kankerachtige pancreasproblemen zoals chronische ontsteking of goedaardige cysten. Twee studies gebruikten complexere neurale netwerken die patronen direct uit grote datasets konden leren.

Wat tot nu toe het beste werkt en wat nog tekortschiet

De prestaties verschilden sterk tussen de studies, maar er kwamen enkele thema’s naar voren. Tests die gebaseerd zijn op kleine RNA-moleculen in vloeistoffen, vooral wanneer ze beschermd zijn binnen vesikels, bereikten vaak zeer hoge nauwkeurigheid en sterke discriminatie tussen kanker- en niet-kankermonsters. Methoden gebaseerd op hele tumorcellen of sommige typen vesikels presteerden daarentegen minder goed, deels omdat deze deeltjes fragiel, zeldzaam en moeilijk betrouwbaar te isoleren zijn. Verschillende teams toonden aan dat het combineren van CA19-9 met nieuwe markers de prestaties verbeterde ten opzichte van CA19-9 alleen, wat echoot met eerdere successen bij meertracige prenatale bloedtesten. Toch gebruikten de meeste studies bescheiden patiëntenaantallen, vaak met al bevestigde kanker, en rapporteerden ze hun resultaten op verschillende manieren, waardoor eerlijke vergelijking lastig is.

Wat dit vandaag betekent voor patiënten en artsen

De review concludeert dat door AI ondersteunde vloeibare biopsie voorlopig een veelbelovende aanvulling op beeldvormingsgestuurde screening is, eerder dan een vervanging. Het veld is jong en weinig van de onderzochte panelen zijn klaar voor routinematig klinisch gebruik. Grotere, beter ontworpen studies bij mensen met hoog risico en bij personen met vroege veranderingen zoals chronische pancreatitis zijn nodig, samen met duidelijkere normen voor het rapporteren van modelprestaties. Als deze obstakels overwonnen kunnen worden, kunnen eenvoudige vloeistofgebaseerde tests geleid door slimme algoritmen op een dag helpen alvleesklierkanker eerder te identificeren, de behoefte aan invasieve procedures verminderen en meer patiënten een kans op genezende behandeling geven.

Bronvermelding: Ku, J., Singhal, M., Burnette, M. et al. Machine learning and artificial intelligence in liquid biopsy-based early detection of pancreatic cancer: a scoping review. BJC Rep 4, 26 (2026). https://doi.org/10.1038/s44276-026-00232-y

Trefwoorden: alvleesklierkanker, vloeibare biopsie, machine learning, vroegdetectie, bloed biomarkers