Strojové učenie zlepšuje včasnú detekciu mutácií gliómov

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

Toto tvrdenie podporuje aj nedávna štúdia, ktorú vykonala Univerzita lekárskych vied Karla Landsteinera (KL Krems). V tejto štúdii boli analyzované údaje z fyziometabolickej magnetickej rezonancie (MRI) pomocou metód ML na identifikáciu mutácií v metabolickom géne. Mutácie v tomto géne majú významný vplyv na priebeh ochorenia a včasná diagnostika je dôležitá pre liečbu. Štúdia tiež ukazuje, že v súčasnosti existujú nekonzistentné štandardy pre získavanie fyziometabolických MRI snímok, čo bráni rutinnému klinickému použitiu tejto metódy.

Gliómy sú najčastejšie primárne nádory mozgu. Hoci ich prognóza je stále nepriaznivá, personalizované terapie môžu výrazne zlepšiť úspešnosť liečby. Použitie takýchto pokročilých terapií sa však opiera o individuálne údaje o nádore, ktoré je pre gliómy ťažké získať kvôli ich umiestneniu v mozgu. Zobrazovacie metódy, ako je magnetická rezonancia (MRI), môžu takéto údaje poskytnúť, ale ich analýza je zložitá, prácna a časovo náročná. Centrálny ústav pre diagnostickú lekársku rádiológiu v Univerzitnej nemocnici St. Pölten, pedagogická a výskumná základňa KL Krems, už mnoho rokov vyvíja metódy strojového a hlbokého učenia na automatizáciu takýchto analýz a ich integráciu do bežných klinických postupov. Teraz sa dosiahol ďalší prelom.

„Pacienti, ktorých gliómové bunky nesú mutovanú formu génu izocitrátdehydrogenázy (IDH), majú v skutočnosti lepší klinický výhľad ako pacienti s divokým typom,“ vysvetľuje profesor Andreas Stadlbauer, medicínsky fyzik z Zentralinstitut. „To znamená, že čím skôr poznáme stav mutácie, tým lepšie môžeme individualizovať liečbu.“ Rozdiely v energetickom metabolizme mutovaných a divokých nádorov v tomto pomáhajú. Vďaka predchádzajúcej práci tímu profesora Stadlbauera sa tieto dajú ľahko merať pomocou fyziometabolickej magnetickej rezonancie, a to aj bez vzoriek tkaniva. Analýza a vyhodnocovanie údajov je však veľmi zložitý a časovo náročný proces, ktorý je ťažké integrovať do klinickej praxe, najmä preto, že výsledky sú potrebné rýchlo kvôli zlej prognóze pacientov.

V súčasnej štúdii tím použil metódy strojového učenia na analýzu a interpretáciu týchto údajov, aby rýchlejšie získal výsledky a mohol začať s vhodnými liečebnými krokmi. Aké presné sú však výsledky? Na posúdenie tejto situácie štúdia najprv použila údaje od 182 pacientov z Univerzitnej nemocnice St. Pölten, ktorých údaje z magnetickej rezonancie boli zozbierané podľa štandardizovaných protokolov.

„Keď sme videli výsledky našich algoritmov ML,“ vysvetľuje profesor Stadlbauer, „boli sme veľmi spokojní. Dosiahli sme presnosť 91,7 % a presnosť 87,5 % pri rozlišovaní medzi nádormi s divokým typom génu a nádormi s mutovanou formou. Tieto hodnoty sme potom porovnali s analýzami ML klasických klinických údajov MRI a dokázali sme, že použitie fyziometabolických údajov MRI ako základu prinieslo výrazne lepšie výsledky.“

Táto prevaha však platila iba pri analýze údajov zozbieraných v St. Pöltene pomocou štandardizovaného protokolu. To neplatilo, keď bola metóda ML aplikovaná na externé údaje, t. j. údaje MRI z iných nemocničných databáz. V tejto situácii bola metóda ML trénovaná na klasických klinických údajoch MRI úspešnejšia.

Dôvodom, prečo analýza fyziometabolických údajov z magnetickej rezonancie pomocou ML vykazovala horšie výsledky, je to, že táto technológia je stále v mladom štádiu vývoja a nachádza sa v experimentálnom štádiu. Metódy zberu údajov sa v jednotlivých nemocniciach stále líšia, čo vedie k skresleniam v analýze ML.

Pre vedca je problémom „iba“ štandardizácia, ktorá nevyhnutne vznikne s rastúcim používaním fyziometabolickej MRI v rôznych nemocniciach. Samotná metóda – rýchle hodnotenie fyziometabolických MRI údajov pomocou ML metód – preukázala vynikajúce výsledky. Preto je to vynikajúci prístup na určenie mutačného stavu IDH u pacientov s gliómom pred operáciou a na individualizáciu možností liečby.

Výsledky štúdie boli publikované v časopise Univerzity zdravotníckych vied Karla Landsteinera (KL Krems).