Машинско учење побољшава рано откривање мутација глиома

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

Ово је потврђено недавном студијом коју је спровео Универзитет медицинских наука Карл Ландстеинер (КЛ Кремс). У овој студији, подаци физиометаболичке магнетне резонанце (МРИ) су анализирани коришћењем МЛ метода да би се идентификовале мутације у метаболичком гену. Мутације овог гена имају значајан утицај на ток болести, а рана дијагноза је важна за лечење. Студија такође показује да тренутно постоје недоследни стандарди за добијање физиометаболичких МР слика, што отежава рутинску клиничку употребу методе.

Глиоми су најчешћи примарни тумори мозга. Упркос још увек лошој прогнози, персонализоване терапије могу значајно побољшати успех лечења. Међутим, употреба таквих напредних терапија ослања се на податке о појединачним туморима, које је тешко добити за глиоме због њихове локације у мозгу. Технике снимања као што је Магнетна резонанца (МРИ) могу да обезбеде такве податке, али њихова анализа је сложена, напорна и дуготрајна. Централни институт за дијагностичку медицинску радиологију у Универзитетској болници Ст. Пелтен, наставна и истраживачка база КЛ Кремса, већ дуги низ година развија методе машинског и дубоког учења како би аутоматизовао такве анализе и интегрисао их у рутинске клиничке операције. Сада је остварен још један продор.

„Пацијенти чије ћелије глиома носе мутирани облик гена изоцитрат дехидрогеназе (ИДХ) заправо имају боље клиничке изгледе од оних са дивљим типом“, објашњава професор Андреас Штадлбауер, медицински физичар са Централног института. "То значи да што пре сазнамо статус мутације, то боље можемо индивидуализовати третман." У томе помажу разлике у енергетском метаболизму мутираних тумора и тумора дивљег типа. Захваљујући претходном раду тима професора Стадлбауера, они се могу лако мерити коришћењем физиометаболичке МРИ, чак и без узорака ткива. Међутим, анализа и евалуација 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 МЛ методе да анализира и интерпретира ове податке како би брже добио резултате и био у могућности да започне одговарајуће кораке лечења. Али колико су тачни резултати? Да би се ово проценило, студија је прво користила податке од 182 пацијента у Универзитетској болници Ст. Полтен, чији су МРИ подаци прикупљени коришћењем стандардизованих протокола.

„Када смо видели резултате евалуације наших алгоритама МЛ“, објашњава професор Штадлбауер, „били смо веома задовољни. Остварили смо тачност од 91,7% и тачност од 87,5% у разликовању тумора дивљег типа гена од 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 значајно боље резултате."

Међутим, ова супериорност је задржана само када су анализирани подаци прикупљени у Ст. Полтену коришћењем стандардизованог протокола. То није био случај када је МЛ метода примењена на екстерне податке, односно МРИ податке из других болничких база података. У овој ситуацији, МЛ метода обучена на класичним клиничким МРИ подацима била је успешнија.

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

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

Резултати студије су објављени у часопису Карл Ландстеинер Университи оф Хеалтх Сциенцес (КЛ Кремс).