Rapid Identification of Brain Tumours with Differential Mobility Spectrometry

Abstract

Aivokasvaimet aiheuttavat merkittävän määrän tautikuormaa ja kuolleisuutta. Nykyään ainoa vakiintunut menetelmä aivokasvainten leikkauksenaikaiseen pikadiagnostiikkaan on kasvaimen jääleikenäytteen mikroskooppitutkimus. Menetelmässä on kuitenkin selviä heikkouksia: sen suorittaminen on vaikeaa eikä tulosten tulkinta ole yksiselitteistä. Lisäksi nykyään yhä tärkeämmiksi luokittelukriteereiksi muodostuvia geneettisiä mutaatioita ei jääleikenäytteestä kyetä havaitsemaan, mikä luo välittömän tarpeen uusille diagnostiikkamenetelmille. Differentiaali-ionimobiliteettispektrometria (DMS) on menetelmä, jossa tutkittava aine tunnistetaan muodostamalla siitä kaasua, joka ionisoidaan ja tunnistaminen perustuu ionien liikkeeseen muuttuvassa sähkökentässä. Aiemmin DMS-analyysia on menestyksekkäästi käytetty biologisten kudosten tunnistamiseen. Tietääksemme tämä on ensimmäinen kerta, kun DMS-analyysia käytetään aivokasvainten tunnistamiseen. Tutkimuksen tavoitteena oli selvittää DMS-analyysin suorituskykyä ja sovellettavuutta aivokasvainten pikadiagnostiikkaan laboratorio-olosuhteissa.

65 kaikenikäiseltä potilaalta saadut aivokasvainnäytteet pakastettiin ilman esikäsittelyä, ja kasvaintyypit määriteltiin kattavasti sekä kudosopillisilla että geneettiset mutaatiot havaitsevilla menetelmillä. Lisäksi 12 potilaan aivokasvaimista valmistettiin soluviljelmät. Sekä pakastetut että viljellyt kasvainnäytteet pilkottiin satoihin pienempiin paloihin, jotka höyrystettiin joko sähköveitsellä tai laserilla. Prosessissa syntynyt savu imettiin DMS-sensoriin, joka tuotti niistä ainekohtaiset spektrit. Nämä tunnistettiin ja luokiteltiin koneoppimiseen perustuvilla laskentamenetelmillä.

Luokittelussa, jossa oli seitsemän diagnoosivaihtoehtoa, DMS kykeni luokittelemaan kasvaimet oikein 50% luokittelutarkkuudella, ja tarkkuus parani 83%:iin, kun eräs sekoittava tekijä (kasvainpalat, jotka oli säilötty pakkasessa Tissue-Tek® -säilöntäaineeseen) poistettiin. Erikseen valituissa joko-tai- luokitteluissa luokittelutarkkuus oli jopa 94% (vaihtoehtoina glioblastooma tai matala-asteinen gliooma). Pahanlaatuisia glioomia luokiteltiin lisäksi niiden IDH mutaatiostatuksen perusteella. Pakastetuilla näytteillä IDH-luokittelutarkkuus oli 86% ja elävillä, viljellyillä kasvainnäytteillä 90% neljännessä osatyössä. 1p/19q - kromosomikäsivarsien deleetion DMS-luokittelija tunnisti huomattavalla 98% luokittelutarkkuudella ja CDKN2A/B -geenin deleetion 86% tarkkuudella, mutta näissä luokat olivat huomattavan epätasapainoiset. Yleisimpiä lasten aivokasvaimia (medulloblastooma, ependymooma ja pilosyyttinen astrosytooma) luokiteltaessa luokittelutarkkuus oli 65% ja 75%, mikäli ependymoomat ja pilosyyttisen astrosytoomat yhdistettiin yhdeksi luokaksi.

DMS kykenee tunnistamaan ja luokittelemaan yleisimmät aivokasvaimet laboratorio-olosuhteissa sekä kudosopillisten että geneettisten erojen perusteella huomattavalla tarkkuudella. Luokittelutarkkuus paranee, kun luokittelussa käytetään eläviä kasvainsoluja, mikä on lupaava havainto tulevaa leikkaussaliolosuhteissa tehtävää koetta ajatellen.

Brain tumours are a major source of disease burden worldwide. Currently, the only established method for rapid brain tumour diagnostics during surgery is the histopathological analysis of frozen sections. However, the method has several disadvantages: the performance of this is difficult and often subjective, and the increasingly important genetic alterations remain undetected. This directly calls for novel solutions. Differential ion mobility spectrometry (DMS) is a modality that characterises substances based on the mobility differences of their gaseous ion swarms in an alternating electric field. Previously, it has shown potential for identifying biological tissues. To our knowledge, this is the first time DMS has been studied for brain tumour identification. The purpose of this study was to explore the performance and usability of DMS in rapid (near real-time) brain tumour diagnostics <i>ex vivo</i>.

Freshly frozen brain tumour or control samples were prepared from 65 patients (adult and paediatric) altogether covering the most common histologies and including up-to-date genetic information. In addition, tumour samples from 12 patients were cultured and analysed as living glioma organoids. Both the frozen and living samples were multiplied into hundreds of smaller specimens that were vaporised by either electrocoagulation or laser, and the resulting smoke was analysed using DMS. The analysis provided substance- specific dispersion spectra, which were consequently identified and classified using computational data-algorithms.

In a seven-class classification of several histologically different tumour types, a classification accuracy (CA) of 50% was achieved, which improved up to 83% after the exclusion of a confounding factor (samples immersed in the Tissue- Tek® conservation medium). In selected head-to-head comparisons, the CA was enhanced to up to 94% (GBM vs. LGG). When classifying malignant glioma samples based on their IDH mutation status, the CA was 86% with fresh-frozen and 90% with actively proliferating samples in Study IV. The CA for detecting 1p/19q codeletion among living IDH mutated glioma samples was formidable (98%) and for CDKN2A/B deletion 86%, but the sample sizes were imbalanced. In the differentiation of the most common paediatric brain tumour samples (medulloblastomas, ependymomas and pilocytic astrocytomas), the classification accuracy was 65% and increased up to 75% when pilocytic astrocytomas and ependymomas were pooled together.

DMS can identify and classify the most common brain tumour samples ex vivo based on both different histology and genetic profiling with considerable accuracy. The CA improves when actively proliferating, cultured tumour organoids are used, which sets high expectations for future <i>in vivo</i> study.