Pembelajaran mesin meningkatkan pengesanan awal mutasi glioma

Kaedah pembelajaran mesin (ML) boleh dengan cepat dan tepat mendiagnosis mutasi dalam glioma, tumor otak primer.

Ini disokong oleh kajian terbaru yang dijalankan oleh Universiti Sains Perubatan Karl Landsteiner (KL Krems). Dalam kajian ini, data pengimejan resonans magnetik fisiometabolik (MRI) dianalisis menggunakan kaedah ML untuk mengenal pasti mutasi dalam gen metabolik. Mutasi dalam gen ini mempunyai kesan yang besar terhadap perjalanan penyakit, dan diagnosis awal adalah penting untuk rawatan. Kajian itu juga menunjukkan bahawa pada masa ini terdapat piawaian yang tidak konsisten untuk mendapatkan imej MRI fisiometabolik, yang menghalang penggunaan klinikal rutin kaedah tersebut.

Glioma adalah tumor otak primer yang paling biasa. Walaupun prognosis mereka masih lemah, terapi peribadi boleh meningkatkan kejayaan rawatan dengan ketara. Walau bagaimanapun, penggunaan terapi lanjutan sedemikian bergantung pada data tumor individu, yang sukar diperoleh untuk glioma kerana lokasinya di dalam otak. Kaedah pengimejan seperti pengimejan resonans magnetik (MRI) boleh memberikan data sedemikian, tetapi analisisnya adalah kompleks, intensif buruh dan memakan masa. Institut Pusat Radiologi Perubatan Diagnostik di Hospital Universiti St. Pölten, pangkalan pengajaran dan penyelidikan KL Krems, telah membangunkan mesin dan kaedah pembelajaran mendalam selama bertahun-tahun untuk mengautomasikan analisis sedemikian dan menyepadukannya ke dalam prosedur klinikal rutin. Kini satu lagi kejayaan telah dicapai.

"Pesakit yang sel gliomanya membawa bentuk mutasi gen isocitrate dehydrogenase (IDH) sebenarnya mempunyai pandangan klinikal yang lebih baik daripada mereka yang mempunyai jenis liar, " jelas Profesor Andreas Stadlbauer, seorang ahli fizik perubatan di Zentralinstitut. "Ini bermakna lebih awal kita mengetahui status mutasi, lebih baik kita boleh membuat rawatan secara individu." Perbezaan dalam metabolisme tenaga tumor bermutasi dan jenis liar membantu dalam hal ini. Terima kasih kepada kerja sebelumnya oleh pasukan Profesor Stadlbauer, ini boleh diukur dengan mudah menggunakan MRI fisiometabolik, walaupun tanpa sampel tisu. Walau bagaimanapun, menganalisis dan menilai data adalah proses yang sangat kompleks dan memakan masa yang sukar untuk disepadukan ke dalam amalan klinikal, terutamanya kerana keputusan diperlukan dengan cepat kerana prognosis pesakit yang lemah.

Dalam kajian semasa, pasukan menggunakan kaedah ML untuk menganalisis dan mentafsir data ini untuk mendapatkan keputusan dengan lebih cepat dan dapat memulakan langkah rawatan yang sesuai. Tetapi sejauh manakah ketepatan hasilnya? Untuk menilai ini, kajian pertama kali menggunakan data daripada 182 pesakit dari Hospital Universiti St. Pölten, yang data MRInya dikumpulkan mengikut protokol piawai.

"Apabila kami melihat keputusan algoritma ML kami, " jelas Profesor Stadlbauer, "kami sangat gembira. Kami mencapai ketepatan 91.7% dan ketepatan 87.5% dalam membezakan antara tumor dengan jenis gen liar dan mereka yang mempunyai bentuk bermutasi. Kami kemudian membandingkan nilai-nilai ini dengan analisis ML yang boleh digunakan untuk data MRI metabolik klasik yang menunjukkan data klinikal metabolik yang ketara dan secara signifikan. keputusan yang lebih baik."

Walau bagaimanapun, keunggulan ini hanya dipegang apabila menganalisis data yang dikumpul di St. Pölten menggunakan protokol piawai. Ini tidak berlaku apabila kaedah ML digunakan pada data luaran, iaitu data MRI daripada pangkalan data hospital lain. Dalam keadaan ini, kaedah ML yang dilatih pada data MRI klinikal klasik lebih berjaya.

Sebab mengapa analisis ML data MRI fisiometabolik menunjukkan keputusan yang lebih teruk ialah teknologi itu masih muda dan dalam peringkat pembangunan percubaan. Kaedah pengumpulan data masih berbeza dari satu hospital ke hospital, yang membawa kepada berat sebelah dalam analisis ML.

Bagi saintis itu, masalahnya adalah "hanya" satu penyeragaman, yang pasti akan timbul dengan peningkatan penggunaan MRI fisiometabolik di hospital yang berbeza. Kaedah itu sendiri - penilaian pantas data MRI fisiometabolik menggunakan kaedah ML - telah menunjukkan hasil yang sangat baik. Oleh itu, ia adalah pendekatan yang sangat baik untuk menentukan status mutasi IDH pesakit glioma sebelum pembedahan dan untuk pilihan rawatan individu.

Hasil kajian itu diterbitkan dalam jurnal Karl Landsteiner University of Health Sciences (KL Krems).