Kan spektroskopisk optisk koherenstomografi erstatte histopatologi i kolonkreftscreening?

I de siste årene har det vært økt interesse for å utvikle metoder som kan redusere kostnader og risikoer forbundet med diagnostisering og behandling av kolonpolypper og tidlig kolonkreft. Polypper som er mindre enn 5 mm, kan stå for opptil 80 % av alle polypper som fjernes under koloskopi. Forskning har vist at ved å benytte en strategi som lar slike små polypper bli værende, kan det oppnås betydelige kostnadsbesparelser, og i noen tilfeller kan prosessen også redusere risikoen for komplikasjoner og unødvendig kirurgi.

En viktig utfordring for moderne koloskopi er imidlertid de høye kostnadene ved histopatologiske analyser, som ofte er nødvendige for å vurdere om fjernede polypper er kreftfremkallende eller om de kan forbli i tarmen. En del av løsningen kan ligge i å bruke avansert billedbehandling, spesielt ved hjelp av teknologier som optisk koherenstomografi (OCT), som i løpet av de siste tiårene har vært brukt til retinal bildebehandling. Det er nå mulig å tilpasse OCT til bruk innen koloskopi, men kostnaden for utstyr har vært en betydelig barriere for bredere anvendelse.

For nylig har utviklingen av billigere OCT-systemer gjort det lettere å utforske nye kliniske anvendelser. Et slikt system under utvikling ved Duke University har potensial til å revolusjonere koloskopidiagnostikk, da det kan tilby detaljerte bilder av vev med høy oppløsning uten å påføre pasienten ytterligere belastning i form av invasive tester. Denne utviklingen har åpnet muligheten for at enkelte polypper kan fjernes uten histopatologi, og i stedet vurderes direkte basert på OCT-bildene. Dette kan redusere både kostnader og ventetid for pasientene.

En del av forskningen som støtter denne utviklingen, har involvert bruk av dyremodeller, som for eksempel AOM (azoxymethane)-behandlede rotter, som er kjent for å utvikle kolonkreft, og genetisk modifiserte mus som etterligner tidlige og mer avanserte stadier av koloncancer. Ved å benytte OCT har forskerne vært i stand til å skaffe detaljerte bilder av kolonvev og identifisere potensielt kreftfremkallende lesjoner på et tidlig stadium.

Den kliniske studien ved Duke University, som involverte 19 pasienter, undersøkte hvordan OCT kunne brukes til å analysere både normale og unormale kolonvev etter reseksjon av polypper. Resultatene viste at OCT kunne brukes til å skille mellom forskjellige typer adenomer og til og med gi informasjon som kunne brukes til å forutsi graden av vevsskade og potensiell malignitet. OCT viste seg å være svært lovende, da det kunne gi umiddelbare resultater uten behov for tidkrevende og dyre histopatologiske analyser.

Optisk koherenstomografi (OCT) har i hovedsak blitt brukt for å gi strukturinformasjon om vev. Den mangler imidlertid funksjonell informasjon, som kan være avgjørende for å skille mellom godartede og ondartede lesjoner. For å overvinne dette har forskere utviklet spektral OCT (SOCT), som utvider de diagnostiske mulighetene ved å analysere hvordan OCT-signalene varierer med bølgelengde. SOCT gir dypere innsikt i vevets optiske egenskaper, som spredning og absorpsjon, som kan bidra til å identifisere kreftfremkallende lesjoner med høyere presisjon.

Ved bruk av SOCT kan man analysere hvordan signalene fra vevet forandrer seg i forhold til bølgelengden, og bruke denne informasjonen til å trekke konklusjoner om vevets biologiske tilstand. Denne teknikken har vist seg å være nyttig i forskning på kolonkreft og kan potensielt forbedre hvordan leger vurderer polypper og tumorer under koloskopi. Ved å implementere SOCT som en del av standardisert koloskopi kan man dermed potensielt redusere behovet for tradisjonelle histopatologiske analyser, som både er dyre og tidkrevende.

SOCT innebærer en teknisk utfordring, ettersom det krever spesialiserte algoritmer og høykvalitets utstyr for å kunne analysere dataene på en pålitelig måte. Imidlertid har utviklingen av nye systemer som tilbyr høy oppløsning og lavere kostnader, gjort det mer praktisk å implementere disse teknologiene på sykehus og klinikker. Den eksperimentelle implementeringen av SOCT i klinisk praksis, som for eksempel de som ble utført på Duke University Hospital, kan bane vei for en mer effektiv og økonomisk koloskopidiagnostikk i fremtiden.

I tillegg til teknologien, er det viktig å forstå at implementeringen av slike metoder ikke nødvendigvis vil eliminere behovet for histopatologi i alle tilfeller. For mer komplekse eller tvetydige tilfeller, kan tradisjonelle metoder fortsatt være nødvendige for å bekrefte diagnosen. Imidlertid gir den kombinerte bruken av SOCT og histopatologi et stort potensial for å forbedre både kostnadseffektiviteten og kvaliteten på kolonkreftscreening.

Hvordan kan kapillær-elektroforese-massespektrometri forbedre proteomikk i kreftforskning?

Kapillær-elektroforese-massespektrometri (CE-MS) har utviklet seg til en kraftfull teknologi for analyse av proteomikk, og i de siste årene (2019–2021) har det vært betydelige fremskritt på dette området, spesielt innen multilevel proteomics. Denne teknologien, som kombinerer kapillær-elektroforese med massespektrometri, muliggjør høyoppløselig separasjon og detaljert karakterisering av proteiner på et svært dypt nivå. Ved å analysere proteoformer – de ulike formene et protein kan ta gjennom post-translationelle modifikasjoner, splicing, og andre endringer – har CE-MS potensialet til å avdekke viktige forskjeller i sykdomsprosesser som tidligere ikke var synlige.

For eksempel, ved å bruke denne metoden har det blitt identifisert signifikante forskjeller mellom proteoformer i metastatiske og ikke-metastatiske kolonkreftceller, som kan bidra til bedre forståelse av kreftens spredning og aggressivitet. Denne teknologien har også blitt brukt for å kartlegge post-translationelle modifikasjoner og deres rolle i tumorutvikling, samt i vurderingen av hvordan ulike proteiner interagerer i cellens mikromiljø.

En stor fordel ved CE-MS er dens evne til å skille ut flere proteoformer samtidig. Dette gjør at forskere kan få en mer helhetlig forståelse av proteomene, som er essensielt for å forstå sykdomsprosesser på et molekylært nivå. Kombinasjonen av kapillær-elektroforese for separasjon og massespektrometri for analyse muliggjør påvisning av svært små mengder proteiner og deres isoformer, noe som har vært en utfordring for andre metoder som tradisjonell gel-elektroforese eller væskekromatografi.

I tillegg åpner fremskrittene innen høy-felt asymmetrisk bølge-ionmobilitetsspektrometri (FAIMS) nye muligheter for CE-MS ved å gi bedre separasjon og sensitivitet, noe som er særlig nyttig i analyser av komplekse biologiske prøver som kreftceller. Kombinasjonen av FAIMS med CE-MS har vist seg å forbedre både proteomikkens dybde og nøyaktighet, og har potensial til å bli et standardverktøy i fremtidens biomarkørforskning.

Det er også viktig å forstå at proteomikkens utvikling ikke bare handler om å utvikle bedre teknologier, men også om hvordan disse teknologiene brukes i praksis. For eksempel har bruken av CE-MS i onkologi ikke bare åpnet nye måter å kartlegge proteoformer, men også hjulpet med å identifisere nye biomarkører for tidlig kreftdiagnose og monitorering av behandlingsrespons. Dette kan i sin tur føre til mer presis og skreddersydd kreftbehandling.

For fremtidig forskning vil det være avgjørende å integrere CE-MS med andre avanserte metoder, som genomikk og transkriptomikk, for å få en mer helhetlig forståelse av kreftens molekylære mekanismer. Ved å koble proteomikk med genetiske data, kan vi forutsi hvilke proteoformer som er mest relevante for spesifikke krefttyper, og dermed utvikle mer målrettede terapier.

Hvordan biomarkører og genomisk diagnostikk revolusjonerer kreftdiagnose

Biomarkører og avansert genomisk teknologi spiller en stadig viktigere rolle i utviklingen av moderne kreftdiagnostikk og -behandling. Disse teknikkene utnytter spesifikke egenskaper ved svulster, som biomarkører og genetiske trekk, for å oppdage, identifisere og målrette mot svulster. Biomarkører, som definert av National Cancer Institute (NCI), er biologiske molekyler som finnes i blod, andre kroppsvæsker eller vev og som kan være tegn på enten normale eller unormale prosesser, eller på tilstander og sykdommer. Biomarkører kan derfor brukes i kreftdiagnose, prognose, overvåkning, evaluering av behandlingseffekt samt kroppens respons på behandling og sykdom.

Prøvene for biomarkøranalyse kan omfatte blod, spytt, avføring eller urin. Biomarkørene kan være DNA, RNA, proteiner eller metabolitter. Eksempler på kreftbiomarkører på genetisk nivå inkluderer FGFR2, NTRK, ALK, RET, ROS1 og NRG, mens proteinbiomarkører som PSA, CEA, CA19-9, CA125 og LDH er velkjente eksempler på det proteomiske nivået. Gjennom analysen av disse biomarkørene kan leger få verdifull informasjon som er avgjørende for tidlig oppdagelse og behandling av kreft.

Et annet viktig fremskritt i kreftdiagnostikk er bruken av genomisk basert diagnostikk. Sequensiering av DNA, som for eksempel Oncotype DX, benytter genomiske data for å vurdere risikoen for tilbakefall av brystkreft hos tidlige stadium pasienter. Dette testverktøyet undersøker aktiviteten til 21 gener i svulstprøver for å forutsi sannsynligheten for tilbakefall innen 10 år og vurdere om cellegift kan være gunstig for noen pasienter.

I tillegg til genetikken som spiller en sentral rolle, er interaksjonene mellom kreftcellene og omgivelsene deres også av stor betydning. Tumor-mikromiljøet (TME) er et ikke-cellulært nettverk som består av proteiner og andre molekyler som fremmer betennelse og støtter svulstvekst ved å gi næring og plass til kreftcellene. Det er i dette mikromiljøet at svulster kan utvikle seg til å bli mer aggressive. Forskningsfokus på TME åpner for nye terapeutiske muligheter, der forskere utvikler behandlinger som kan målrette spesifikke molekyler som finnes i mikromiljøet, som for eksempel cancer-associated fibroblasts (CAFs).

Tumor-immunmakromiljøet (TIMaE), som refererer til de systemiske immunkomponentene i kroppen, som beinmarg, milt og sirkulerende immunceller, er også viktig å forstå. Dette systemet samhandler med svulster på måter som kan enten fremme eller hemme tumorvekst. Immuunsystemet kan i noen tilfeller støtte tumorvekst ved å skape en betennelsesrespons i TME, men immunceller som dendritiske celler, naturlige dreperceller og makrofager kan også ha anti-tumorfunksjoner som hjelper til med å kontrollere svulstvekst.

En annen kritisk faktor i kreftdiagnostikk er bruken av sirkulerende tumor-celler (CTC). Disse cellene løsner fra hovedtumoren og sprer seg via blodet, og kan senere danne nye svulster i andre deler av kroppen. CTC-er har vist seg å ha stor betydning for både kreftspredning og behandlingsresistens, og forskningen på dette området er lovende. Når CTC-er tas opp som en del av en flytende biopsi, kan man potensielt oppdage kreft i et mye tidligere stadium, noe som kan ha stor betydning for behandlingsutfallet.

Det økonomiske aspektet ved kreftdiagnostikk og -behandling er også viktig å vurdere. Kreftbehandling representerer en betydelig belastning på helseøkonomien. For eksempel var de totale kostnadene for kreftbehandling i USA i 2015 anslått til 183 milliarder dollar, med en projeksjon om at dette tallet vil stige til 246 milliarder dollar innen 2030. De økonomiske konsekvensene for både pasienter og helsevesenet understreker nødvendigheten av å utvikle mer effektive og kostnadseffektive metoder for tidlig påvisning og behandling av kreft.

Kreftens økonomiske byrde er global, og fra 2020 til 2050 er den anslåtte totale kostnaden for kreftbehandling på verdensbasis 25 trillioner dollar, noe som tilsvarer omtrent 0,55% av det årlige globale BNP. Denne økonomiske belastningen understreker ikke bare viktigheten av tidlig oppdagelse, men også nødvendigheten av å utvikle helhetlige behandlingsmodeller som kan redusere både de helsemessige og økonomiske kostnadene ved sykdommen.

Det er derfor avgjørende at både forskere og helsepersonell fortsetter å utvikle og implementere nye metoder for tidlig påvisning og behandling av kreft, med et fokus på minimalt invasive teknologier og bedre forståelse av tumorens biologiske og genetiske trekk. Fremtidens kreftbehandling er i stor grad avhengig av integrering av avanserte diagnostiske verktøy og presisjonsmedisin som er spesifikt tilpasset den enkelte pasients genetiske profil og tumorbiologi.

Hvordan teknologiske fremskritt i bildebehandling forbedrer polypdeteksjon i kolonoskopi: En oversikt

Automatisert polypdeteksjon i CT-kolonografi har utviklet seg betydelig de siste årene, takket være de raske fremskrittene innen bildebehandlingsteknologi og maskinlæring. Tidligere krevde polypdeteksjon manuell gjennomgang av store mengder medisinske bilder, noe som både var tidkrevende og utsatt for feil. Med introduksjonen av datastyrte systemer og kunstig intelligens (AI), har det blitt mulig å oppdage polypper raskere og mer presist. Dette har revolusjonert feltet og muliggjort mer effektiv screening for kolorektal kreft.

Forskning på området har vist at tidlig og nøyaktig identifisering av polypper er avgjørende for å redusere dødeligheten fra kolorektal kreft. Polypper er små vekster i tarmene som kan utvikle seg til kreft hvis de ikke fjernes. Tradisjonelt har kolonoskopi vært gullstandarden for å oppdage disse, men nyere studier har vist at bruken av datastyrte verktøy kan redusere feil og forbedre deteksjonshastigheten.

De første betydelige fremskrittene i automatisk polypdeteksjon ble gjort tidlig på 2000-tallet, med forskning som R. M. Summers et al., som i 2000 presenterte en automatisert polypdetektor for CT-kolonografi. Deres system var i stand til å identifisere potensielle polypper i kolorektale bilder, men det var fortsatt en utfordring å skille mellom ekte polypper og artefakter i bildene. Likevel, dette tidlige arbeidet la grunnlaget for videre utvikling av datastyrte løsninger som kombinerte bildebehandling og maskinlæring for mer presis deteksjon.

Et viktig skritt videre ble gjort med introduksjonen av konvolusjonelle nevrale nettverk (CNN) for bildeanalyse. Disse systemene kan trenes på store datasett for å gjenkjenne mønstre og egenskaper ved polypper som mennesker kanskje overser. For eksempel har studier som de av J. Näppi et al. i 2016, som benyttet dyp læring for å forbedre polypdeteksjon, vist at disse systemene kan oppdage polypper med høyere nøyaktighet enn tradisjonelle metoder.

En annen bemerkelsesverdig utvikling er bruken av 3D-bilder i stedet for 2D. Polypper kan være vanskelige å oppdage i vanlige 2D-bilder, spesielt når de er små eller plassert i vanskelige områder av tarmen. Ved å bruke 3D-bilder har forskere som Y. Chen et al. utviklet metoder som benytter 3D-konvolusjonelle nevrale nettverk for å forbedre nøyaktigheten ved polypdeteksjon. Dette gjør det mulig å identifisere polypper som kan være skjult i tradisjonelle bilder.

Videre, med fremveksten av hybridmodeller og ensemblelæring, har flere forskningsgrupper vært i stand til å kombinere flere metoder for å forbedre deteksjonsresultatene. For eksempel har J. Näppi og hans kolleger i 2017 utviklet en dyplæringsmodell som kombinerer flere typer bildebehandlingsteknikker, inkludert virtuelle endoluminale visninger, for å forbedre polypdeteksjon. Dette har ført til bedre treffsikkerhet, spesielt når det gjelder å oppdage små eller vanskelige polypper.

Maskinlæring har også blitt brukt til å klassifisere polypper som enten benigne eller premalignante. I 2021 viste S. Grosu et al. hvordan maskinlæring kan hjelpe til med å skille mellom benigne og premalignante polypper ved å bruke CT-kolonografi, noe som kan være avgjørende for å avgjøre behandlingsforløp. Slike fremskritt er viktige for å redusere unødvendige inngrep og behandlinger, samtidig som de sikrer at de mest farlige polyppene blir identifisert i tide.

Mens den teknologiske utviklingen har ført til betydelige fremskritt i polypdeteksjon, er det fortsatt utfordringer som må overvinnes. For eksempel er det viktig å forstå at selv med de nyeste teknologiene kan det fortsatt være falske positive og negative resultater. Dette betyr at systemene fortsatt må verifiseres og suppleres med den menneskelige ekspertisen for å sikre at pasientene får den beste mulige diagnosen og behandlingen.

Når man ser på fremtiden, er det forventet at kombineringen av AI, maskinlæring og mer avanserte bildebehandlingsteknikker vil føre til enda mer presis og rask polypdeteksjon. Fremtidige systemer vil trolig også være bedre rustet til å analysere større mengder data og gi mer nøyaktige anbefalinger for behandling og oppfølging. Det vil også være viktig å fokusere på pasientsikkerhet og etikk i bruken av disse teknologiene, for å sikre at de blir brukt på en ansvarlig måte.

Endelig bør det bemerkes at teknologien ikke bare er et verktøy for leger, men også et hjelpemiddel for å forbedre pasientens opplevelse. Raskere og mer presis deteksjon kan føre til mindre tid brukt på unødvendige tester og prosedyrer, samtidig som den gir bedre resultater for pasienter. Fremtidens systemer vil sannsynligvis også være mer brukervennlige, slik at både pasienter og helsepersonell kan få mer direkte nytte av de nyeste fremskrittene innen medisinsk bildebehandling.