Mašīnmācība uzlabo gliomas mutāciju agrīnu noteikšanu

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

To apstiprina nesen veikts Kārļa Landšteinera Medicīnas zinātņu universitātes (KL Krems) pētījums. Šajā pētījumā fiziometaboliskās magnētiskās rezonanses (MRI) dati tika analizēti, izmantojot ML metodes, lai identificētu metaboliskā gēna mutācijas. Šī gēna mutācijas būtiski ietekmē slimības gaitu, un agrīna diagnostika ir svarīga ārstēšanai. Pētījums arī parāda, ka pašlaik pastāv nekonsekventi standarti fiziometabolisko MR attēlu iegūšanai, kas kavē šīs metodes ikdienas klīnisko izmantošanu.

Gliomas ir visizplatītākie primārie smadzeņu audzēji. Neskatoties uz joprojām slikto prognozi, personalizēta terapija var ievērojami uzlabot ārstēšanas panākumus. Tomēr šādas uzlabotas terapijas izmantošana balstās uz atsevišķiem audzēju datiem, kurus ir grūti iegūt gliomām, jo tās atrodas smadzenēs. Attēlveidošanas metodes, piemēram, magnētiskās rezonanses attēlveidošana (MRI), var nodrošināt šādus datus, taču to analīze ir sarežģīta, darbietilpīga un laikietilpīga. Centrālais Diagnostiskās medicīniskās radioloģijas institūts KL Kremsas universitātes slimnīcā, KL Krems mācību un pētniecības bāzē, daudzus gadus ir izstrādājis mašīnmācības un dziļās mācīšanās metodes, lai automatizētu šādas analīzes un integrētu tās ikdienas klīniskajās operācijās. Tagad ir sasniegts vēl viens sasniegums.

"Pacientiem, kuru gliomas šūnās ir izocitrāta dehidrogenāzes (IDH) gēna mutācijas forma, faktiski ir labākas klīniskās izredzes nekā savvaļas tipa pacientiem," skaidro Centrālā institūta medicīnas fiziķis profesors Andreas Stadlbauers. "Tas nozīmē, ka jo ātrāk mēs zinām mutācijas statusu, jo labāk mēs varam individualizēt ārstēšanu." Tam palīdz atšķirības mutācijas un savvaļas tipa audzēju enerģijas metabolismā. Pateicoties profesora Stadlbauera 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, jo pacientu prognoze ir slikta.

Šajā pētījumā komanda izmantoja ML metodes, lai analizētu un interpretētu šos datus, lai ātrāk iegūtu rezultātus un varētu uzsākt atbilstošus ārstēšanas pasākumus. Bet cik precīzi ir rezultāti? Lai to novērtētu, pētījumā vispirms tika izmantoti dati no 182 pacientiem St. Pölten universitātes slimnīcā, kuru MRI dati tika savākti, izmantojot standartizētus protokolus.

"Kad mēs redzējām mūsu ML algoritmu novērtēšanas rezultātus," skaidro profesors Stadlbauers, "bijām ļoti gandarīti. Mēs panācām 91,7% precizitāti un 87,5% precizitāti, atšķirot audzējus ar savvaļas tipa gēnu no audzējiem ar mutācijas formu. Pēc tam mēs salīdzinājām šīs vērtības ar klasisko klīnisko MRI datu ML analīzēm un varējām parādīt, ka, izmantojot fiziometaboliskos MRI datus par pamatu, tika iegūti ievērojami labāki rezultāti."

Tomēr šis pārākums tika saglabāts, tikai analizējot Senpeltenē savāktos datus, izmantojot standartizētu protokolu. Tas nebija gadījums, kad ML metode tika piemērota ārējiem datiem, t.i., MRI datiem no citām slimnīcu datu bāzēm. Šajā situācijā veiksmīgāka bija ML metode, kas apmācīta uz klasiskajiem klīniskajiem MRI datiem.

Iemesls, kāpēc fiziometabolisko MRI datu analīze, izmantojot ML, bija sliktāka, ir tas, ka tehnoloģija joprojām ir jauna un eksperimentālā izstrādes stadijā. Datu vākšanas metodes dažādās slimnīcās joprojām atšķiras, izraisot neobjektivitāti ML analīzē.

Zinātniekam problēma ir “tikai” standartizācija, kas neizbēgami radīsies, arvien vairāk izmantojot fiziometabolisko MRI dažādās slimnīcās. Pati metode - fiziometabolisko MRI datu ātra novērtēšana, izmantojot ML metodes - ir parādījusi lieliskus rezultātus. Tāpēc šī ir lieliska pieeja, lai noteiktu IDH mutācijas statusu gliomas pacientiem pirms operācijas un individualizētu ārstēšanas iespējas.

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