Strojno učenje izboljša zgodnje odkrivanje mutacij gliomov

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

To podpira tudi nedavna študija, ki jo je izvedla Medicinska univerza Karl Landsteiner (KL Krems). V tej študiji so bili analizirani podatki fiziometabolnega slikanja z magnetno resonanco (MRI) z uporabo metod ML za identifikacijo mutacij v presnovnem genu. Mutacije v tem genu pomembno vplivajo na potek bolezni, zgodnja diagnoza pa je pomembna za zdravljenje. Študija tudi kaže, da trenutno obstajajo nedosledni standardi za pridobivanje fiziometabolnih slik MRI, kar ovira rutinsko klinično uporabo te metode.

Gliomi so najpogostejši primarni možganski tumorji. Čeprav je njihova prognoza še vedno slaba, lahko personalizirane terapije znatno izboljšajo uspešnost zdravljenja. Vendar pa je uporaba takšnih naprednih terapij odvisna od podatkov o posameznih tumorjih, ki jih je pri gliomih zaradi njihove lokacije v možganih težko pridobiti. Slikovne metode, kot je slikanje z magnetno resonanco (MRI), lahko zagotovijo takšne podatke, vendar je njihova analiza kompleksna, 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 postopke. Zdaj je bil dosežen še en preboj.

»Bolniki, katerih gliomske celice nosijo mutirano obliko gena izocitrat dehidrogenaze (IDH), imajo dejansko boljši klinični izid kot tisti z divjim tipom,« pojasnjuje profesor Andreas Stadlbauer, medicinski fizik na Zentralinstitutu. »To pomeni, da prej ko poznamo status mutacije, bolje lahko individualiziramo zdravljenje.« Pri tem pomagajo razlike v energijskem metabolizmu mutiranih in divjih tumorjev. Zahvaljujoč prejšnjemu delu ekipe profesorja Stadlbauerja je te mogoče enostavno izmeriti s fiziometabolno magnetno resonanco, tudi brez vzorcev tkiva. Vendar pa je analiza in vrednotenje podatkov zelo zapleten in dolgotrajen postopek, ki ga je težko vključiti v klinično prakso, še posebej ker so rezultati zaradi slabe prognoze bolnikov potrebni hitro.

V trenutni študiji je ekipa uporabila metode strojnega učenja za analizo in interpretacijo teh podatkov, da bi hitreje pridobila rezultate in lahko začela ustrezne korake zdravljenja. Kako natančni pa so rezultati? Za oceno tega so v študiji najprej uporabili podatke 182 bolnikov iz univerzitetne bolnišnice St. Pölten, katerih podatki MRI so bili zbrani v skladu s standardiziranimi protokoli.

"Ko smo videli rezultate naših algoritmov strojnega učenja," pojasnjuje profesor Stadlbauer, "smo bili zelo zadovoljni. Dosegli smo natančnost 91,7 % in natančnost 87,5 % pri razlikovanju med tumorji z divjim tipom gena in tistimi z mutirano obliko. Nato smo te vrednosti primerjali z analizami strojnega učenja klasičnih kliničnih podatkov MRI in pokazali, da uporaba fiziometaboličnih podatkov MRI kot osnove daje bistveno boljše rezultate."

Vendar je ta superiornost veljala le pri analizi podatkov, zbranih v St. Pöltnu z uporabo standardiziranega protokola. To ni veljalo, ko je bila metoda strojnega učenja uporabljena za zunanje podatke, tj. podatke MRI iz drugih bolnišničnih podatkovnih baz. V tej situaciji je bila metoda strojnega učenja, usposobljena na klasičnih kliničnih podatkih MRI, uspešnejša.

Razlog, zakaj je analiza fiziometaboličnih podatkov MRI z metodo strojnega učenja (ML) pokazala slabše rezultate, je v tem, da je tehnologija še mlada in v eksperimentalni fazi razvoja. Metode zbiranja podatkov se od bolnišnice do bolnišnice še vedno razlikujejo, kar vodi do pristranskosti pri analizi ML.

Za znanstvenika je problem "le" standardizacija, ki se bo neizogibno pojavila z naraščajočo uporabo fiziometabolične magnetne resonance (MRI) v različnih bolnišnicah. Sama metoda - hitra ocena podatkov fiziometabolične magnetne resonance z uporabo metod strojnega učenja (ML) - je pokazala odlične rezultate. Zato je odličen pristop za določanje statusa mutacije IDH pri bolnikih z gliomom pred operacijo in za individualizacijo možnosti zdravljenja.

Rezultati študije so bili objavljeni v reviji Univerze zdravstvenih ved Karl Landsteiner (KL Krems).