Pembelajaran mesin meningkatkan pengesanan awal mutasi glioma
Ulasan terakhir: 14.06.2024
Semua kandungan iLive disemak secara perubatan atau fakta diperiksa untuk memastikan ketepatan faktual sebanyak mungkin.
Kami mempunyai garis panduan sumber yang ketat dan hanya memautkan ke tapak media yang bereputasi, institusi penyelidikan akademik dan, apabila mungkin, dikaji semula kajian secara medis. Perhatikan bahawa nombor dalam kurungan ([1], [2], dan lain-lain) boleh diklik pautan ke kajian ini.
Jika anda merasakan bahawa mana-mana kandungan kami tidak tepat, ketinggalan zaman, atau tidak dipersoalkan, sila pilih dan tekan Ctrl + Enter.
Kaedah pembelajaran mesin (ML) boleh mendiagnosis mutasi dengan cepat dan tepat dalam glioma - tumor otak primer.
Ini disahkan 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 MR physiometabolic, yang menghalang penggunaan klinikal rutin kaedah tersebut.
Glioma ialah tumor otak primer yang paling biasa. Walaupun prognosis 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. Teknik 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 operasi klinikal rutin. Kini satu lagi kejayaan telah dicapai.
"Pesakit yang sel gliomanya membawa bentuk mutasi gen isocitrate dehydrogenase (IDH) sebenarnya mempunyai prospek klinikal yang lebih baik daripada mereka yang mempunyai jenis liar," jelas Profesor Andreas Stadlbauer, seorang ahli fizik perubatan di Institut Pusat. "Ini bermakna bahawa lebih cepat kita mengetahui status mutasi, lebih baik kita boleh membuat rawatan secara individu." Perbezaan dalam metabolisme tenaga tumor bermutasi dan jenis liar membantu dengan ini. Terima kasih kepada kerja sebelumnya oleh pasukan Profesor Stadlbauer, mereka boleh diukur dengan mudah menggunakan MRI fisiometabolik, walaupun tanpa sampel tisu. Walau bagaimanapun, analisis dan penilaian 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 di Hospital Universiti St. Pölten, yang data MRInya dikumpulkan menggunakan protokol piawai.
“Apabila kami melihat hasil penilaian algoritma ML kami,” jelas Profesor Stadlbauer, “kami sangat gembira. Kami mencapai ketepatan 91.7% dan ketepatan 87.5% dalam membezakan tumor dengan jenis liar gen daripada yang mempunyai bentuk bermutasi. Kami kemudian membandingkan nilai ini dengan analisis ML data MRI klinikal klasik dan dapat menunjukkan bahawa menggunakan data MRI fisiometabolik sebagai asas menghasilkan hasil yang lebih baik dengan ketara."
Walau bagaimanapun, keunggulan ini hanya dikekalkan 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 situasi ini, kaedah ML yang dilatih pada data MRI klinikal klasik lebih berjaya.
Sebab analisis data MRI fisiometabolik menggunakan ML menunjukkan prestasi yang lebih teruk ialah teknologi ini 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, masalahnya ialah "hanya" 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, ini adalah pendekatan yang sangat baik untuk menentukan status mutasi IDH dalam pesakit glioma sebelum operasi dan untuk memilih pilihan rawatan secara individu.
Hasil kajian telah diterbitkan dalam jurnal Karl Landsteiner University of Health Sciences (KL Krems).