Nove publikacije
Strojno učenje poboljšava rano otkrivanje mutacija glioma
Posljednji pregledao: 02.07.2025
Svi iLive sadržaji medicinski se pregledavaju ili provjeravaju kako bi se osigurala što je moguće točnija činjenica.
Imamo stroge smjernice za pronalaženje izvora i samo povezujemo s uglednim medijskim stranicama, akademskim istraživačkim institucijama i, kad god je to moguće, medicinski pregledanim studijama. Imajte na umu da su brojevi u zagradama ([1], [2], itd.) Poveznice koje se mogu kliknuti na ove studije.
Ako smatrate da je bilo koji od naših sadržaja netočan, zastario ili na neki drugi način upitan, odaberite ga i pritisnite Ctrl + Enter.
Metode strojnog učenja (ML) mogu brzo i točno dijagnosticirati mutacije u gliomima, primarnim tumorima mozga.
To potvrđuje i nedavna studija koju je provelo Sveučilište medicinskih znanosti Karl Landsteiner (KL Krems). U ovoj studiji analizirani su podaci fiziometaboličke magnetske rezonancije (MRI) korištenjem ML metoda kako bi se identificirale mutacije u metaboličkom genu. Mutacije u ovom genu imaju značajan utjecaj na tijek bolesti, a rana dijagnoza važna je za liječenje. Studija također pokazuje da trenutno postoje nedosljedni standardi za dobivanje fiziometaboličkih MRI slika, što ometa rutinsku kliničku upotrebu metode.
Gliomi su najčešći primarni tumori mozga. Iako je njihova prognoza još uvijek loša, personalizirane terapije mogu značajno poboljšati uspjeh liječenja. Međutim, upotreba takvih naprednih terapija oslanja se na individualne podatke o tumoru, koje je za gliome teško dobiti zbog njihovog položaja u mozgu. Metode snimanja poput magnetske rezonancije (MRI) mogu pružiti takve podatke, ali njihova je analiza složena, zahtijeva puno rada i vremena. Središnji institut za dijagnostičku medicinsku radiologiju u Sveučilišnoj bolnici St. Pölten, nastavna i istraživačka baza KL Krems, već dugi niz godina razvija metode strojnog i dubokog učenja kako bi automatizirao takve analize i integrirao ih u rutinske kliničke postupke. Sada je postignut još jedan proboj.
„Pacijenti čije stanice glioma nose mutirani oblik gena izocitrat dehidrogenaze (IDH) zapravo imaju bolji klinički izgled od onih s divljim tipom“, objašnjava profesor Andreas Stadlbauer, medicinski fizičar u Zentralinstitutu. „To znači da što ranije znamo status mutacije, to bolje možemo individualizirati liječenje.“ Razlike u energetskom metabolizmu mutiranih i divljeg tipa tumora pomažu u tome. Zahvaljujući prethodnom radu tima profesora Stadlbauera, one se mogu lako izmjeriti pomoću fiziometaboličke magnetske rezonancije, čak i bez uzoraka tkiva. Međutim, analiza i evaluacija podataka vrlo je složen i dugotrajan proces koji je teško integrirati u kliničku praksu, posebno zato što su rezultati potrebni brzo zbog loše prognoze pacijenata.
U trenutnoj studiji, tim je koristio metode strojnog učenja za analizu i interpretaciju ovih podataka kako bi brže dobili rezultate i mogli započeti odgovarajuće korake liječenja. Ali koliko su rezultati točni? Kako bi se to procijenilo, studija je prvo koristila podatke 182 pacijenta iz Sveučilišne bolnice St. Pölten, čiji su MRI podaci prikupljeni prema standardiziranim protokolima.
„Kad smo vidjeli rezultate naših ML algoritama“, objašnjava profesor Stadlbauer, „bili smo jako zadovoljni. Postigli smo točnost od 91,7% i preciznost od 87,5% u razlikovanju tumora s divljim tipom gena od onih s mutiranim oblikom. Zatim smo usporedili te vrijednosti s ML analizama klasičnih kliničkih MRI podataka i uspjeli smo pokazati da korištenje fiziometaboličkih MRI podataka kao osnove daje značajno bolje rezultate.“
Međutim, ta je superiornost bila prisutna samo pri analizi podataka prikupljenih u St. Pöltenu korištenjem standardiziranog protokola. To nije bio slučaj kada je ML metoda primijenjena na vanjske podatke, tj. MRI podatke iz drugih bolničkih baza podataka. U toj situaciji, ML metoda obučena na klasičnim kliničkim MRI podacima bila je uspješnija.
Razlog zašto je ML analiza fiziometaboličkih MRI podataka pokazala lošije rezultate jest taj što je tehnologija još uvijek mlada i u eksperimentalnoj fazi razvoja. Metode prikupljanja podataka još uvijek se razlikuju od bolnice do bolnice, što dovodi do pristranosti u ML analizi.
Za znanstvenika, problem je "samo" problem standardizacije, koja će se neizbježno pojaviti s rastućom upotrebom fiziometaboličke magnetske rezonancije (MR) u različitim bolnicama. Sama metoda - brza procjena fiziometaboličkih MR podataka korištenjem ML metoda - pokazala je izvrsne rezultate. Stoga je to izvrstan pristup za određivanje statusa mutacije IDH kod pacijenata s gliomom prije operacije i za individualizaciju mogućnosti liječenja.
Rezultati studije objavljeni su u časopisu Sveučilišta zdravstvenih znanosti Karl Landsteiner (KL Krems).