Anne-Marie Dingemans

Erasmus MC

Het onderzoek van Anne-Marie Dingemans houdt in het kort het volgende in: 

Histogenomic biomarker identification to improve neuroendocrine lung tumor diagnostics on biopsies, using multiplex immunohistochemistry and artificial intelligence assisted histomorphological classification

Neuro-endocriene tumoren van de long’ (pNET) is een verzamelnaam voor 4 zeldzame types longtumoren, namelijk het typisch carcinoïd, atypisch carcinoïd, grootcellig neuro-endocrien carcinoom (LCNEC) en kleincellig longcarcinoom (SCLC). Deze pNET delen enkele histologische en fenotypische kenmerken; echter, het biologisch gedrag van deze tumoren is duidelijk verschillend. Veelal moet de diagnose gesteld worden op een relatief klein biopt. Helaas is dit met de huidige diagnostische criteria lastig en vaak onbetrouwbaar. Verbetering van de sub-classificatie van deze tumoren op biopten zal gepersonaliseerde behandeling mogelijk maken en daarmee de uitkomst van patiënten met een pNET verbeteren.

Het doel van de studie is om de diagnose, en daarmee de prognostische kwalificatie, van pNET op een biopt te verbeteren door toepassing van artificial intelligence (AI) gedreven morfologische classificatie. Hierbij zal o.a. gebruikt gemaakt worden van multiplex immunohistochemie (IHC), een nieuwe techniek waarbij meerdere IHC kleuringen tegelijkertijd worden toegepast.

Patiënten met een carcinoïd hebben een relatief goede prognose met een lage kans dat de ziekte terugkomt na operatieve behandeling. Wanneer pre-operatief voorspeld kan worden welke patiënten nauwelijks risico lopen op een recidief, dan kan dit belangrijke consequenties hebben voor de chirurgische interventie.

Doel 1: Voorspellen van de recidief kans van patiënten met operatief behandeld carcinoïd op het pre-operatieve biopt door middel van een gecombineerde AI-histogenomische benadering, gebruik makend van hematoxyline-eosine en multiplex IHC gekleurde coupes.

Neuro-endocriene morfologie, nodig voor de diagnose LCNEC, is lastig vast te stellen op een biopt.

Doel 2: Ontwikkelen van een AI model dat onderscheid kan maken tussen neuro-endocriene en niet-neuro-endocriene morfologie. Het IHC-gesteunde morfologie model zal gevalideerd worden op een onafhankelijk cohort van pre-operatieve biopten met gematchte resectie preparaat als goud standaard.

LCNEC bestaat uit verschillende genomische subtypes, onduidelijk is of deze subtypes ook morfologisch verschillend zijn.

Doel 3: Exploreren of LCNEC een homogene morfologische entiteit is of toch morfologisch al verdeeld kan worden in subtypes met carcinoïd -achtige/grootcellige/kleincellige kenmerken. Een cluster analyse van alle casus uit doel 1 en 2, aangevuld met SCLC, zal verricht worden. De resultaten worden gecorreleerd aan de bekende genomische LCNEC subtypes.