Uczenie maszynowe usprawnia wczesne wykrywanie mutacji glejaka
Ostatnia recenzja: 14.06.2024
Cała zawartość iLive jest sprawdzana medycznie lub sprawdzana pod względem faktycznym, aby zapewnić jak największą dokładność faktyczną.
Mamy ścisłe wytyczne dotyczące pozyskiwania i tylko linki do renomowanych serwisów medialnych, akademickich instytucji badawczych i, o ile to możliwe, recenzowanych badań medycznych. Zauważ, że liczby w nawiasach ([1], [2] itd.) Są linkami do tych badań, które można kliknąć.
Jeśli uważasz, że któraś z naszych treści jest niedokładna, nieaktualna lub w inny sposób wątpliwa, wybierz ją i naciśnij Ctrl + Enter.
Metody uczenia maszynowego (ML) mogą szybko i dokładnie diagnozować mutacje w glejakach – pierwotnych guzach mózgu.
Potwierdzają to niedawne badania przeprowadzone przez Uniwersytet Medyczny im. Karla Landsteinera (KL Krems). W tym badaniu dane z fizjometabolicznego rezonansu magnetycznego (MRI) analizowano przy użyciu metod ML w celu identyfikacji mutacji w genie metabolicznym. Mutacje w tym genie mają istotny wpływ na przebieg choroby, a wczesna diagnoza ma znaczenie w leczeniu. Z badania wynika także, że obecnie istnieją niespójne standardy uzyskiwania obrazów fizjometabolicznych MR, co utrudnia rutynowe kliniczne zastosowanie tej metody.
Glejaki są najczęstszymi pierwotnymi guzami mózgu. Pomimo wciąż złego rokowania, terapie spersonalizowane mogą znacząco poprawić skuteczność leczenia. Jednakże zastosowanie tak zaawansowanych terapii opiera się na danych dotyczących poszczególnych nowotworów, które w przypadku glejaków są trudne do uzyskania ze względu na ich lokalizację w mózgu. Techniki obrazowania, takie jak rezonans magnetyczny (MRI) mogą dostarczyć takich danych, ale ich analiza jest złożona, pracochłonna i czasochłonna. Centralny Instytut Diagnostycznej Radiologii Medycznej Szpitala Uniwersyteckiego St. Pölten, będący bazą dydaktyczną i badawczą KL Krems, od wielu lat opracowuje metody maszynowe i głębokiego uczenia się, aby automatyzować takie analizy i integrować je z rutynowymi operacjami klinicznymi. Teraz dokonano kolejnego przełomu.
„Pacjenci, których komórki glejaka niosą zmutowaną postać genu dehydrogenazy izocytrynianowej (IDH), faktycznie mają lepsze perspektywy kliniczne niż pacjenci z komórkami typu dzikiego” – wyjaśnia profesor Andreas Stadlbauer, fizyk medyczny w Central Institute. „Oznacza to, że im szybciej poznamy status mutacji, tym lepiej będziemy mogli zindywidualizować leczenie”. Pomagają w tym różnice w metabolizmie energetycznym nowotworów zmutowanych i typu dzikiego. Dzięki wcześniejszym pracom zespołu profesora Stadlbauera można je łatwo zmierzyć za pomocą fizjometabolicznego MRI, nawet bez próbek tkanek. Jednak analiza i ocena danych to bardzo złożony i czasochłonny proces, który trudno zintegrować z praktyką kliniczną, zwłaszcza że wyniki są potrzebne szybko ze względu na złe rokowanie pacjentów.
W bieżącym badaniu zespół wykorzystał metody ML do analizy i interpretacji tych danych, aby szybciej uzyskać wyniki i móc rozpocząć odpowiednie etapy leczenia. Ale jak dokładne są wyniki? Aby to ocenić, w badaniu najpierw wykorzystano dane od 182 pacjentów szpitala uniwersyteckiego St. Pölten, u których dane MRI zebrano przy użyciu standardowych protokołów.
„Kiedy zobaczyliśmy wyniki oceny naszych algorytmów ML” – wyjaśnia profesor Stadlbauer – „byliśmy bardzo zadowoleni. Osiągnęliśmy dokładność na poziomie 91,7% i dokładność 87,5% w odróżnianiu nowotworów z genem typu dzikiego od guzów o postaci zmutowanej. Następnie porównaliśmy te wartości z analizami ML klasycznych klinicznych danych MRI i byliśmy w stanie wykazać, że wykorzystanie danych fizjometabolicznych MRI jako podstawy dało znacznie lepsze wyniki.”
Jednak ta przewaga została utrzymana jedynie podczas analizy danych zebranych w St. Pölten przy użyciu standardowego protokołu. Inaczej było w przypadku zastosowania metody ML do danych zewnętrznych, czyli danych MRI z innych szpitalnych baz danych. W tej sytuacji metoda ML trenowana na klasycznych klinicznych danych MRI okazała się bardziej skuteczna.
Powodem, dla którego analiza danych fizjometabolicznych MRI przy użyciu ML wypadła gorzej, jest to, że technologia jest wciąż młoda i znajduje się w eksperymentalnej fazie rozwoju. Metody gromadzenia danych nadal różnią się w zależności od szpitala, co prowadzi do błędu w analizie ML.
Dla naukowca problemem jest „tylko” standaryzacja, która nieuchronnie pojawi się wraz ze wzrostem stosowania fizjometabolicznego MRI w różnych szpitalach. Sama metoda – szybka ocena danych fizjometabolicznych MRI z wykorzystaniem metod ML – dała doskonałe wyniki. Dlatego jest to doskonałe podejście do określenia statusu mutacji IDH u pacjentów z glejakiem przed operacją i do zindywidualizowania opcji leczenia.
Wyniki badania opublikowano w czasopiśmie Karl Landsteiner University of Health Sciences (KL Krems).