
Alle iLive-inhoud wordt medisch beoordeeld of gecontroleerd op feiten om zo veel mogelijk feitelijke nauwkeurigheid te waarborgen.
We hebben strikte richtlijnen voor sourcing en koppelen alleen aan gerenommeerde mediasites, academische onderzoeksinstellingen en, waar mogelijk, medisch getoetste onderzoeken. Merk op dat de nummers tussen haakjes ([1], [2], etc.) klikbare links naar deze studies zijn.
Als u van mening bent dat onze inhoud onjuist, verouderd of anderszins twijfelachtig is, selecteert u deze en drukt u op Ctrl + Enter.
Wetenschappers hebben kunstmatige intelligentie ontwikkeld om hersentumoren te classificeren
Laatst beoordeeld: 02.07.2025

Onderzoekers van de Australian National University (ANU) hebben een nieuwe tool ontwikkeld op basis van kunstmatige intelligentie waarmee hersentumoren sneller en nauwkeuriger kunnen worden geclassificeerd.
Volgens Dr. Dan-Thai Hoang is nauwkeurigheid bij het diagnosticeren en classificeren van tumoren van cruciaal belang voor een effectieve behandeling van patiënten.
"De huidige gouden standaard voor het identificeren van verschillende soorten hersentumoren is DNA-methyleringsgebaseerde profilering", aldus Dr. Hoang.
DNA-methylering fungeert als een schakelaar om de genactiviteit te controleren en te bepalen welke genen worden aan- of uitgezet.
"Maar de tijd die nodig is om dit soort testen uit te voeren, kan een groot nadeel zijn. Vaak kan het meerdere weken of langer duren, terwijl patiënten snel beslissingen moeten nemen over hun therapie.
Overzicht van datasets en computationele workflow. Bron: Nature Medicine (2024). DOI: 10.1038/s41591-024-02995-8
“Bovendien zijn dergelijke tests niet in bijna alle ziekenhuizen ter wereld beschikbaar.”
Om deze problemen aan te pakken, hebben onderzoekers van ANU, in samenwerking met experts van het National Cancer Institute in de VS, DEPLOY ontwikkeld: een manier om DNA-methylering te voorspellen en hersentumoren vervolgens te classificeren in 10 hoofdsubtypen.
DEPLOY maakt gebruik van microscopische beelden van het weefsel van een patiënt, ook wel histopathologische beelden genoemd.
Het model werd getraind en getest op grote datasets van ongeveer 4.000 patiënten uit de VS en Europa, gepubliceerd in het tijdschrift Nature Medicine.
"Verbazingwekkend genoeg behaalde DEPLOY een ongekende nauwkeurigheid van 95%", aldus Dr. Hoang.
“Bovendien kon DEPLOY bij de analyse van een subgroep van 309 monsters die bijzonder moeilijk te classificeren waren, een diagnose stellen die klinisch betekenisvoller was dan de diagnose die oorspronkelijk door pathologen werd gesteld.
"Dit onderstreept de mogelijke rol die DEPLOY in de toekomst kan spelen als een aanvullend hulpmiddel ter aanvulling van de initiële diagnose van de patholoog of zelfs als aanleiding voor een herevaluatie in geval van discrepanties."
De onderzoekers geloven dat DEPLOY uiteindelijk gebruikt kan worden om andere soorten kanker te classificeren.
De resultaten van het onderzoek zijn gepubliceerd in het tijdschrift Nature Medicine.