Strojové učenie zlepšuje včasnú detekciu mutácií gliómu

Metódy strojového učenia (ML) dokážu rýchlo a presne diagnostikovať mutácie v gliómoch – primárnych nádoroch mozgu.

Potvrdzuje to nedávna štúdia, ktorú uskutočnila Univerzita lekárskych vied Karla Landsteinera (KL Krems). V tejto štúdii sa údaje z fyziometabolického zobrazovania magnetickou rezonanciou (MRI) analyzovali pomocou metód ML na identifikáciu mutácií v metabolickom géne. Mutácie tohto génu majú významný vplyv na priebeh ochorenia a pre liečbu je dôležitá včasná diagnostika. Štúdia tiež ukazuje, že v súčasnosti existujú nekonzistentné štandardy na získanie fyziometabolických MR snímok, čo bráni rutinnému klinickému použitiu metódy.

Gliómy sú najbežnejšími primárnymi nádormi mozgu. Napriek stále zlej prognóze môžu personalizované terapie výrazne zlepšiť úspešnosť liečby. Použitie takýchto pokročilých terapií sa však spolieha na údaje o jednotlivých nádoroch, ktoré je ťažké získať pre gliómy kvôli ich umiestneniu v mozgu. Zobrazovacie techniky ako Zobrazovanie magnetickou rezonanciou (MRI) môžu poskytnúť takéto údaje, ale ich analýza je zložitá, náročná na prácu a časovo náročná. Ústredný ústav pre diagnostickú lekársku rádiológiu pri Univerzitnej nemocnici St. Pölten, výučbová a výskumná základňa KL Krems, už mnoho rokov vyvíja metódy strojového a hlbokého učenia na automatizáciu takýchto analýz a ich integráciu do rutinných klinických operácií. Teraz bol dosiahnutý ďalší prielom.

„Pacienti, ktorých gliómové bunky nesú mutovanú formu génu izocitrátdehydrogenázy (IDH), majú v skutočnosti lepšie klinické vyhliadky ako pacienti s divokým typom,“ vysvetľuje profesor Andreas Stadlbauer, lekársky fyzik z Centrálneho inštitútu. "To znamená, že čím skôr poznáme stav mutácie, tým lepšie môžeme individualizovať liečbu." Pomáhajú tomu rozdiely v energetickom metabolizme zmutovaných a divokých nádorov. Vďaka predchádzajúcej práci tímu profesora Stadlbauera sa dajú jednoducho merať pomocou fyziometabolickej MRI aj bez vzoriek tkaniva. Analýza a vyhodnotenie údajov je však veľmi zložitý a časovo náročný proces, ktorý sa ťažko integruje do klinickej praxe, najmä preto, že výsledky sú potrebné rýchlo kvôli zlej prognóze pacientov.

V súčasnej štúdii tím použil metódy ML na analýzu a interpretáciu týchto údajov, aby rýchlejšie získal výsledky a mohol začať vhodné liečebné kroky. Ale ako presné sú výsledky? Na vyhodnotenie tohto výsledku štúdia najprv použila údaje od 182 pacientov z Univerzitnej nemocnice St. Pölten, ktorých údaje z MRI boli zozbierané pomocou štandardizovaných protokolov.

„Keď sme videli výsledky hodnotenia našich algoritmov ML,“ vysvetľuje profesor Stadlbauer, „boli sme veľmi potešení. Dosiahli sme presnosť 91,7 % a presnosť 87,5 % v rozlíšení nádorov s génom divokého typu od nádorov s mutovanou formou. Potom sme tieto hodnoty porovnali s ML analýzami klasických klinických údajov MRI a dokázali sme, že použitie fyziometabolických údajov MRI ako základu prinieslo výrazne lepšie výsledky."

Táto nadradenosť sa však udržala iba pri analýze údajov zozbieraných v St. Pöltene pomocou štandardizovaného protokolu. Toto nebol prípad, keď bola metóda ML aplikovaná na externé údaje, t. J. Údaje z MRI z iných nemocničných databáz. V tejto situácii bola metóda ML trénovaná na klasických klinických údajoch MRI úspešnejšia.

Dôvod, prečo analýza fyziometabolických údajov MRI pomocou ML dopadla horšie, je to, že technológia je stále mladá a v experimentálnom štádiu vývoja. Metódy zberu údajov sa v jednotlivých nemocniciach stále líšia, čo vedie k skresleniu analýzy ML.

Pre vedca je problémom „len“ štandardizácia, ktorá nevyhnutne vznikne so zvyšujúcim sa používaním fyziometabolickej MRI v rôznych nemocniciach. Samotná metóda - rýchle hodnotenie fyziometabolických údajov MRI pomocou metód ML - ukázala vynikajúce výsledky. Preto je to vynikajúci prístup na určenie stavu mutácie IDH u pacientov s gliómom pred operáciou a na individualizáciu možností liečby.

Výsledky štúdie boli publikované v časopise Karl Landsteiner University of Health Sciences (KL Krems).