De primaire behandeling van centraal-zenuwstelsel (CNS)-tumoren omvat chirurgische resectie, waarbij een delicate balans dient te worden bewaard tussen maximale resectie en minimale neurologische schade en andere complicaties. De huidige standaard-praktijk berust op preoperatieve imaging en intraoperatieve histologische analyse, maar deze methoden zijn niet altijd conclusief en soms incorrect. DNA-sequentie analyse kan waardevolle informatie opleveren maar het kan dagen duren voor de resultaten bekend zijn. Nanopore-sequencing kan resulteren in een sparse methylation profile tijdens de chirurgie. Een multicenterstudie in Nederland heeft geresulteerd in de ontwikkeling van Sturgeon, een patiënt-agnostisch neuraal netwerk dat op basis van dergelijke profielen moleculaire subclassificatie van CNS-tumoren kan leveren. Dr. Jeroen de Ridder (UMC Utrecht) en collega’s publiceren de studie in Nature.¹

De onderzoekers trainden en valideerden Sturgeon met gesimuleerde data. Vervolgens werd de tool getest met data van CNS-tumormonsters. Sturgeon klasseerde 45 van 50 monsters correct binnen 40 minuten na de start van de sequencing. De klinische toepasbaarheid van Sturgeon werd gedemonstreerd tijdens 25 operaties, resulterend in correcte diagnose in 18 operaties (72%) met een diagnostische turnaround tijd van minder dan 90 minuten.


De onderzoekers concluderen dat Sturgeon kan resulteren in ultrasnelle klassering van CNS-tumoren tijdens de chirurgie, hetgeen neurochirurgische decision-making en in potentie de prognose van patiënten kan verbeteren.

1.Vermeulen C, Pagès-Gallego M, Koster L et al. Ultra-fast deep-learned CNS tumour classification during surgery. Nature 2023-06615-2

Summary: Researchers in The Netherlands developed Sturgeon, a patient-agnostic transfer-learned neural network, to enable molecular subclassification of CNS tumors during surgery.