Машинско учење побољшава рано откривање мутација глиома

Методе машинског учења (МУ) могу брзо и прецизно дијагностиковати мутације у глиомима, примарним туморима мозга.

Ово поткрепљује и недавно спроведена студија коју је спровео Универзитет медицинских наука „Карл Ландштајнер“ (KL Krems). У овој студији, подаци физиометаболичких магнетних резонанци (МРИ) анализирани су коришћењем МЛ метода како би се идентификовале мутације у метаболичком гену. Мутације у овом гену имају значајан утицај на ток болести, а рана дијагноза је важна за лечење. Студија такође показује да тренутно постоје недоследни стандарди за добијање физиометаболичких МРИ слика, што отежава рутинску клиничку употребу методе.

Глиоми су најчешћи примарни тумори мозга. Иако је њихова прогноза и даље лоша, персонализоване терапије могу значајно побољшати успех лечења. Међутим, употреба таквих напредних терапија ослања се на индивидуалне податке о тумору, које је тешко добити за глиоме због њихове локације у мозгу. Методе снимања попут магнетне резонанце (МРИ) могу пружити такве податке, али њихова анализа је сложена, захтева много рада и времена. Централни институт за дијагностичку медицинску радиологију у Универзитетској болници Санкт Пелтен, наставна и истраживачка база КЛ Кремса, већ годинама развија методе машинског и дубоког учења како би аутоматизовао такве анализе и интегрисао их у рутинске клиничке процедуре. Сада је постигнут још један пробој.

„Пацијенти чије ћелије глиома носе мутирани облик гена изоцитрат дехидрогеназе (IDH) заправо имају бољи клинички изглед од оних са дивљим типом“, објашњава професор Андреас Штадлбауер, медицински физичар у Централном институту. „То значи да што раније знамо статус мутације, то боље можемо индивидуализовати лечење.“ Разлике у енергетском метаболизму мутираних и дивљих тумора помажу у томе. Захваљујући претходном раду тима професора Штадлбауера, оне се могу лако измерити помоћу физиометаболичке магнетне резонанце, чак и без узорака ткива. Међутим, анализа и процена података је веома сложен и дуготрајан процес који је тешко интегрисати у клиничку праксу, посебно зато што су резултати потребни брзо због лоше прогнозе пацијената.

У тренутној студији, тим је користио методе машинског учења (ML) за анализу и интерпретацију ових података како би брже добили резултате и могли да започну одговарајуће кораке лечења. Али колико су резултати тачни? Да би се ово проценило, студија је прво користила податке од 182 пацијента из Универзитетске болнице Санкт Пелтен, чији су МРИ подаци прикупљени према стандардизованим протоколима.

„Када смо видели резултате наших МЛ алгоритама“, објашњава професор Штадлбауер, „били смо веома задовољни. Постигли смо тачност од 91,7% и прецизност од 87,5% у разликовању тумора са дивљим типом гена и оних са мутираним обликом. Затим смо упоредили ове вредности са МЛ анализама класичних клиничких МРИ података и успели смо да покажемо да коришћење физиометаболичких МРИ података као основе даје знатно боље резултате.“

Међутим, ова супериорност је постојала само приликом анализе података прикупљених у Санкт Пелтену коришћењем стандардизованог протокола. То није био случај када је метода машинског учења (ML) примењена на екстерне податке, тј. МРИ податке из других болничких база података. У овој ситуацији, метода машинског учења обучена на класичним клиничким МРИ подацима била је успешнија.

Разлог зашто је МЛ анализа физиометаболичких МРИ података показала лошије резултате је тај што је технологија још увек млада и у експерименталној фази развоја. Методе прикупљања података се и даље разликују од болнице до болнице, што доводи до пристрасности у МЛ анализи.

За научника, проблем је „само“ проблем стандардизације, која ће се неизбежно појавити са све већом употребом физиометаболичке МРИ у различитим болницама. Сама метода - брза процена физиометаболичке МРИ података коришћењем МЛ метода - показала је одличне резултате. Стога је одличан приступ за одређивање статуса мутације IDH код пацијената са глиомом пре операције и за индивидуализацију опција лечења.

Резултати студије објављени су у часопису Универзитета здравствених наука Карл Ландштајнер (KL Krems).