Strojno učenje poboljšava rano otkrivanje mutacija glioma
Posljednji pregledao: 14.06.2024
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 nedavna studija koju je provelo Sveučilište medicinskih znanosti Karl Landsteiner (KL Krems). U ovoj studiji, podaci fiziometaboličke magnetske rezonancije (MRI) analizirani su korištenjem ML metoda za identifikaciju mutacija u metaboličkom genu. Mutacije ovog gena imaju značajan utjecaj na tijek bolesti, a za liječenje je važna rana dijagnoza. Studija također pokazuje da trenutno postoje nedosljedni standardi za dobivanje fiziometaboličkih MR slika, što ometa rutinsku kliničku upotrebu metode.
Gliomi su najčešći primarni tumori mozga. Unatoč još uvijek lošoj prognozi, personalizirane terapije mogu značajno poboljšati uspjeh liječenja. Međutim, korištenje takvih naprednih terapija oslanja se na pojedinačne podatke o tumoru, što je teško dobiti za gliome zbog njihovog položaja u mozgu. Tehnike snimanja kao što je Magnetska rezonancija (MRI) mogu dati takve podatke, ali njihova je analiza složena, radno intenzivna i dugotrajna. Središnji institut za dijagnostičku medicinsku radiologiju u Sveučilišnoj bolnici St. Pölten, nastavna i istraživačka baza KL Krems, godinama razvija metode strojnog i dubokog učenja za automatizaciju takvih analiza i njihovu integraciju u rutinske kliničke operacije. Sada je postignut još jedan napredak.
"Pacijenti čije stanice glioma nose mutirani oblik gena za izocitrat dehidrogenazu (IDH) zapravo imaju bolje kliničke izglede od onih s divljim tipom", objašnjava profesor Andreas Stadlbauer, medicinski fizičar na Središnjem institutu. "To znači da što prije saznamo status mutacije, to bolje možemo individualizirati liječenje." U tome pomažu razlike u energetskom metabolizmu mutiranih i divljih tumora. Zahvaljujući prethodnom radu tima profesora Stadlbauera, oni se mogu lako izmjeriti pomoću fiziometaboličke MRI, čak i bez uzoraka tkiva. Međutim, analiza i evaluacija podataka vrlo je složen i dugotrajan proces koji je teško integrirati u kliničku praksu, posebice jer su rezultati potrebni brzo zbog loše prognoze pacijenata.
U trenutnoj studiji tim je koristio ML metode za analizu i interpretaciju ovih podataka kako bi brže dobio rezultate i mogao pokrenuti odgovarajuće korake liječenja. Ali koliko su točni rezultati? Kako bi se to procijenilo, studija je prvo upotrijebila podatke od 182 pacijenta u Sveučilišnoj bolnici St. Pölten, čiji su MRI podaci prikupljeni pomoću standardiziranih protokola.
"Kad smo vidjeli rezultate ocjenjivanja naših ML algoritama," objašnjava profesor Stadlbauer, "bili smo vrlo zadovoljni. Postigli smo točnost od 91,7% i točnost od 87,5% u razlikovanju tumora s divljim tipom gena od onih s mutiranim oblikom. Zatim smo te vrijednosti usporedili s ML analizama klasičnih kliničkih MRI podataka i uspjeli pokazati da korištenje fiziometaboličkih MRI podataka kao osnove daje značajno bolje rezultate."
Međutim, ta je superiornost održana 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 ovoj situaciji, ML metoda uvježbana na klasičnim kliničkim MRI podacima bila je uspješnija.
Razlog zašto je analiza fiziometaboličkih MRI podataka pomoću ML-a bila lošija je taj što je tehnologija još mlada iu eksperimentalnoj fazi razvoja. Metode prikupljanja podataka i dalje se razlikuju od bolnice do bolnice, što dovodi do pristranosti u ML analizi.
Za znanstvenika, problem je "samo" standardizacija koja će neizbježno nastati sa sve većom upotrebom fiziometaboličke MRI u različitim bolnicama. Sama metoda — brza procjena fiziometaboličkih MRI podataka pomoću ML metoda — pokazala je izvrsne rezultate. Stoga je ovo izvrstan pristup za određivanje statusa IDH mutacije u bolesnika s gliomom prije operacije i za individualiziranje mogućnosti liječenja.
Rezultati studije objavljeni su u časopisu Karl Landsteiner University of Health Sciences (KL Krems).