Mašīnmācīšanās uzlabo gliomu mutāciju agrīnu noteikšanu

Mašīnmācīšanās (ML) metodes var ātri un precīzi diagnosticēt mutācijas gliomās, primārajos smadzeņu audzējos.

To apstiprina nesen veikts Karla Landšteinera Medicīnas zinātņu universitātes (KL Krems) pētījums. Šajā pētījumā, izmantojot ML metodes, tika analizēti fiziometaboliskās magnētiskās rezonanses attēlveidošanas (MRI) dati, lai identificētu mutācijas vielmaiņas gēnā. Mutācijām šajā gēnā ir būtiska ietekme uz slimības gaitu, un agrīna diagnostika ir svarīga ārstēšanai. Pētījums arī parāda, ka pašlaik pastāv nekonsekventi standarti fiziometabolisko MRI attēlu iegūšanai, kas kavē šīs metodes ikdienas klīnisko izmantošanu.

Gliomas ir visizplatītākie primārie smadzeņu audzēji. Lai gan to prognoze joprojām ir slikta, personalizētas terapijas var ievērojami uzlabot ārstēšanas panākumus. Tomēr šādu progresīvu terapiju izmantošana balstās uz individuāliem audzēja datiem, kurus gliomu gadījumā ir grūti iegūt to atrašanās vietas dēļ smadzenēs. Attēlveidošanas metodes, piemēram, magnētiskās rezonanses attēlveidošana (MRI), var sniegt šādus datus, taču to analīze ir sarežģīta, darbietilpīga un laikietilpīga. Centrālais diagnostiskās medicīniskās radioloģijas institūts Universitātes slimnīcā Sanktpeltenē, KL Krems mācību un pētniecības bāze, jau daudzus gadus izstrādā mašīnmācīšanās un dziļās mācīšanās metodes, lai automatizētu šādas analīzes un integrētu tās ikdienas klīniskajās procedūrās. Tagad ir panākts vēl viens sasniegums.

"Pacientiem, kuru gliomas šūnās ir mutēta izocitrātdehidrogenāzes (IDH) gēna forma, faktiski ir labāka klīniskā prognoze nekā tiem, kuriem ir savvaļas tips," skaidro profesors Andreass Štadlbauers, medicīnas fiziķis Centrālajā institūtā. "Tas nozīmē, ka jo agrāk mēs zinām mutācijas statusu, jo labāk mēs varam individualizēt ārstēšanu." To palīdz atšķirības mutēto un savvaļas tipa audzēju enerģijas metabolismā. Pateicoties profesora Štadlbauera komandas iepriekšējam darbam, tos var viegli izmērīt, izmantojot fiziometabolisko MRI, pat bez audu paraugiem. Tomēr datu analīze un novērtēšana ir ļoti sarežģīts un laikietilpīgs process, ko ir grūti integrēt klīniskajā praksē, jo īpaši tāpēc, ka rezultāti ir nepieciešami ātri pacientu sliktās prognozes dēļ.

Pašreizējā pētījumā komanda izmantoja mašīnlasīšanas metodes, lai analizētu un interpretētu šos datus, lai ātrāk iegūtu rezultātus un varētu uzsākt atbilstošus ārstēšanas soļus. Bet cik precīzi ir rezultāti? Lai to novērtētu, pētījumā vispirms tika izmantoti dati no 182 pacientiem no St. Pölten Universitātes slimnīcas, kuru MRI dati tika apkopoti saskaņā ar standartizētiem protokoliem.

"Kad mēs redzējām mūsu ML algoritmu rezultātus," skaidro profesors Štadlbauers, "mēs bijām ļoti apmierināti. Mēs sasniedzām 91,7% precizitāti un 87,5% precizitāti, atšķirot audzējus ar gēna savvaļas tipu un audzējus ar mutācijas formu. Pēc tam mēs salīdzinājām šīs vērtības ar klasisko klīnisko MRI datu ML analīzēm un varējām parādīt, ka, izmantojot fiziometaboliskos MRI datus kā pamatu, tika iegūti ievērojami labāki rezultāti."

Tomēr šī pārākība bija novērojama tikai, analizējot Sanktpeltenā apkopotos datus, izmantojot standartizētu protokolu. Tas nebija gadījumā, kad ML metode tika piemērota ārējiem datiem, t. i., MRI datiem no citām slimnīcu datubāzēm. Šajā situācijā veiksmīgāka bija ML metode, kas apmācīta ar klasiskiem klīniskiem MRI datiem.

Iemesls, kāpēc fiziometabolisko MRI datu mašīnlasīšanas (ML) analīze uzrādīja sliktākus rezultātus, ir tas, ka tehnoloģija joprojām ir jauna un eksperimentālā attīstības stadijā. Datu vākšanas metodes joprojām atšķiras atkarībā no slimnīcas, kas rada neobjektivitāti ML analīzē.

Zinātniekam problēma ir "tikai" standartizācijas problēma, kas neizbēgami radīsies, pieaugot fiziometaboliskās MRI izmantošanai dažādās slimnīcās. Pati metode - fiziometaboliskās MRI datu ātra novērtēšana, izmantojot ML metodes - ir uzrādījusi lieliskus rezultātus. Tāpēc tā ir lieliska pieeja gliomas pacientu IDH mutācijas statusa noteikšanai pirms operācijas un ārstēšanas iespēju individualizēšanai.

Pētījuma rezultāti tika publicēti žurnālā Karl Landsteiner University of Health Sciences (KL Krems).