Strojno učenje izboljša zgodnje odkrivanje mutacij glioma

Metode strojnega učenja (ML) lahko hitro in natančno diagnosticirajo mutacije v gliomih – primarnih možganskih tumorjih.

To potrjuje nedavna študija, ki jo je izvedla Univerza medicinskih znanosti Karla Landsteinerja (KL Krems). V tej študiji so bili podatki fiziometaboličnega slikanja z magnetno resonanco (MRI) analizirani z uporabo metod ML za identifikacijo mutacij v presnovnem genu. Mutacije v tem genu pomembno vplivajo na potek bolezni, zato je za zdravljenje pomembna zgodnja diagnoza. Študija tudi kaže, da trenutno obstajajo nedosledni standardi za pridobivanje fiziometaboličnih MR slik, kar ovira rutinsko klinično uporabo metode.

Gliomi so najpogostejši primarni možganski tumorji. Kljub še vedno slabi prognozi lahko personalizirane terapije bistveno izboljšajo uspeh zdravljenja. Vendar pa je uporaba takšnih naprednih terapij odvisna od posameznih podatkov o tumorju, ki jih je težko pridobiti za gliome zaradi njihove lokacije v možganih. Tehnike slikanja, kot je slikanje z magnetno resonanco (MRI), lahko zagotovijo takšne podatke, vendar je njihova analiza zapletena, delovno intenzivna in dolgotrajna. Centralni inštitut za diagnostično medicinsko radiologijo v Univerzitetni bolnišnici St. Pölten, učna in raziskovalna baza KL Krems, že vrsto let razvija metode strojnega in globokega učenja za avtomatizacijo takšnih analiz in njihovo integracijo v rutinske klinične operacije. Zdaj je bil dosežen še en preboj.

»Bolniki, katerih celice glioma nosijo mutirano obliko gena za izocitrat dehidrogenazo (IDH), imajo dejansko boljše klinične možnosti kot tisti z divjim tipom,« pojasnjuje profesor Andreas Stadlbauer, medicinski fizik na Centralnem inštitutu. "To pomeni, da prej ko poznamo status mutacije, bolje lahko individualiziramo zdravljenje." Pri tem pomagajo razlike v energetski presnovi mutiranih in divjih tumorjev. Zahvaljujoč prejšnjemu delu ekipe profesorja Stadlbauerja jih je mogoče enostavno izmeriti s fiziometaboličnim MRI, tudi brez vzorcev tkiva. Analiza in vrednotenje podatkov pa je zelo zapleten in dolgotrajen proces, ki ga je težko vključiti v klinično prakso, še posebej zato, ker so rezultati zaradi slabe prognoze bolnikov potrebni hitro.

V trenutni študiji je ekipa uporabila metode ML za analizo in interpretacijo teh podatkov, da bi hitreje dosegla rezultate in lahko sprožila ustrezne korake zdravljenja. Toda kako natančni so rezultati? Da bi to ocenili, je študija najprej uporabila podatke 182 bolnikov v univerzitetni bolnišnici St. Pölten, katerih podatki MRI so bili zbrani s standardiziranimi protokoli.

»Ko smo videli rezultate vrednotenja naših algoritmov ML,« pojasnjuje profesor Stadlbauer, »smo bili zelo zadovoljni. Dosegli smo 91,7-odstotno in 87,5-odstotno natančnost pri razlikovanju tumorjev z gensko divjim tipom od tumorjev z mutirano obliko. Te vrednosti smo nato primerjali z ML analizami klasičnih kliničnih MRI podatkov in lahko pokazali, da je uporaba fiziometaboličnih MRI podatkov kot osnove prinesla bistveno boljše rezultate."

Vendar se je ta prednost ohranila samo pri analizi podatkov, zbranih v St. Pöltnu z uporabo standardiziranega protokola. To ni veljalo, ko je bila metoda ML uporabljena za zunanje podatke, tj. Podatke MRI iz drugih bolnišničnih baz podatkov. V tej situaciji je bila uspešnejša metoda ML, urjena na klasičnih kliničnih podatkih MRI.

Razlog, zakaj je bila analiza fiziometaboličnih MRI podatkov z uporabo ML slabša, je ta, da je tehnologija še vedno mlada in v eksperimentalni fazi razvoja. Metode zbiranja podatkov se še vedno razlikujejo od bolnišnice do bolnišnice, kar povzroča pristranskost pri analizi ML.

Za znanstvenika je problem "samo" standardizacija, ki se bo neizogibno pojavila z vse večjo uporabo fiziometaboličnega MRI v različnih bolnišnicah. Sama metoda – hitra ocena fiziometaboličnih MRI podatkov z uporabo metod ML – je pokazala odlične rezultate. Zato je to odličen pristop za določanje stanja mutacije IDH pri bolnikih z gliomom pred operacijo in za individualizacijo možnosti zdravljenja.

Rezultati študije so bili objavljeni v reviji Karl Landsteiner University of Health Sciences (KL Krems).