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.
Commentaren
Reageren op dit artikel is mogelijk na registratie. (Login)