Een doorbraak in de diagnostische technologie kan artsen binnenkort in staat stellen leverkanker te onderscheppen voordat deze zelfs maar begint. Onderzoekers hebben een nieuwe bloedtest ontwikkeld die machinaal leren gebruikt om leverfibrose – het vroege stadium van leverlittekens – te identificeren, lang voordat deze zich ontwikkelt tot onomkeerbare cirrose of maligniteit.
Het kritieke venster: fibrose versus cirrose
Om het belang van deze ontwikkeling te begrijpen, moet men naar de progressie van een leverziekte kijken. Leverschade volgt doorgaans een voorspelbaar, vaak stil traject:
1. Fibrose: Littekens in een vroeg stadium. In dit stadium is de schade vaak omkeerbaar door veranderingen in levensstijl, medische interventie of antifibrotische medicijnen.
2. Cirrose: Geavanceerde, wijdverspreide littekens. Deze fase is grotendeels onomkeerbaar en verhoogt het risico op overlijden aanzienlijk.
3. Leverkanker: Vaak het eindresultaat van langdurige, onbehandelde leverziekte.
De huidige diagnostische hulpmiddelen, zoals de standaard FIB-4-test, slagen er vaak niet in de ziekte op te sporen tijdens het ‘fibrose’-venster. Dit zorgt ervoor dat miljoenen mensen – vooral degenen met risicofactoren zoals obesitas, diabetes en hypertensie – zich niet bewust zijn van hun toestand totdat het te laat is om de schade ongedaan te maken.
Hoe de technologie werkt: het decoderen van “celvrij” DNA
In tegenstelling tot traditionele tests die zoeken naar specifieke genetische mutaties, hanteert deze nieuwe methode een ‘brede lens’-benadering. Het onderzoeksteam, onder leiding van dr. Victor Velculescu van het Johns Hopkins Kimmel Cancer Center, analyseerde celvrij DNA (cfDNA) : kleine fragmenten van genetisch materiaal die cellen in de bloedbaan afgeven als ze afsterven of regenereren.
In plaats van te zoeken naar een enkele ‘smoking gun’-mutatie, gebruikte het team een machine learning-model om patronen over het hele genoom te analyseren. De test richt zich op drie belangrijke indicatoren:
* Fragmentlengte: De fysieke grootte van de DNA-fragmenten in het bloed.
* Herhalende sequenties: Hoe vaak cellen specifieke, zich herhalende DNA-patronen afgeven.
* Epigenetische kenmerken: Chemische veranderingen in het genoom die veranderen hoe genen zich gedragen zonder de onderliggende DNA-code te veranderen.
Door miljarden van deze fragmenten tegelijkertijd te analyseren, kan de AI subtiele, genoombrede signalen detecteren die menselijke observatie of eenvoudigere tests zouden missen.
Huidige prestaties en efficiëntie
In een studie gepubliceerd in Science Translational Medicine testten de onderzoekers het model op een groep deelnemers om te zien hoe nauwkeurig het onderscheid kon maken tussen gezonde individuen en mensen met een ziekte.
| Conditie | Detectiepercentage (nauwkeurigheid) |
|---|---|
| Leverziekte in een vroeg stadium | 50% |
| Geavanceerde leverziekte | 78% |
| Gezonde personen (juiste identificatie) | 83% |
Hoewel een detectiepercentage van 50% voor ziekten in een vroeg stadium aangeeft dat er nog veel werk aan de winkel is, biedt de test een enorm technologisch voordeel: efficiëntie. Omdat de AI naar brede patronen kijkt in plaats van naar specifieke mutaties te zoeken, hoeft het genoom slechts één of twee keer te worden gesequenced. Dit maakt het proces veel goedkoper en sneller dan eerdere methoden waarbij duizenden reeksen nodig waren om vergelijkbare resultaten te bereiken.
Het pad voorwaarts
Het onderzoek bevindt zich momenteel in de validatiefase. De volgende stap omvat grotere, rigoureuzere klinische onderzoeken om de machine learning-modellen te verfijnen. Het doel is om ‘false positives’ (waarbij gezonde mensen als ziek worden aangemerkt) te verminderen en de gevoeligheid voor detectie in een vroeg stadium te vergroten.
Indien succesvol zou deze technologie verder kunnen gaan dan de lever en mogelijk kunnen dienen als blauwdruk voor een enkele, niet-invasieve bloedtest die in staat is om een breed scala aan chronische ziekten in de meest behandelbare stadia te screenen.
“The best way to intervene in liver cancer is not to detect liver cancer early, but to detect early liver disease.” — Dr. Victor Velculescu
Conclusie: Door de focus te verleggen van het detecteren van kanker naar het detecteren van de vroegste tekenen van cellulaire littekens, biedt deze machinale leeraanpak een proactieve in plaats van reactieve manier om de gezondheid van de lever te beheersen. Als het gevalideerd wordt in grotere onderzoeken, zou het de leverziekte kunnen transformeren van een stille moordenaar in een beheersbare, omkeerbare aandoening.
