Învățarea mecanică îmbunătățește detectarea precoce a mutațiilor gliomului

Metodele de învățare automată (ML) pot diagnostica rapid și precis mutațiile din glioame, tumori cerebrale primare.

Această afirmație este susținută de un studiu recent realizat de Universitatea de Științe Medicale Karl Landsteiner (KL Krems). În cadrul acestui studiu, datele obținute prin rezonanță magnetică (IRM) fiziometabolică au fost analizate folosind metode ML pentru a identifica mutații într-o genă metabolică. Mutațiile acestei gene au un impact semnificativ asupra evoluției bolii, iar diagnosticul precoce este important pentru tratament. Studiul arată, de asemenea, că în prezent există standarde inconsistente pentru obținerea imaginilor RMN fiziometabolice, ceea ce împiedică utilizarea clinică de rutină a metodei.

Glioamele sunt cele mai frecvente tumori cerebrale primare. Deși prognosticul lor este încă slab, terapiile personalizate pot îmbunătăți semnificativ succesul tratamentului. Cu toate acestea, utilizarea unor astfel de terapii avansate se bazează pe date individuale despre tumori, care sunt dificil de obținut pentru glioame din cauza localizării lor în creier. Metodele imagistice precum imagistica prin rezonanță magnetică (IRM) pot furniza astfel de date, dar analiza lor este complexă, necesită multă muncă și mult timp. Institutul Central de Radiologie Medicală Diagnostică de la Spitalul Universitar St. Pölten, baza didactică și de cercetare a KL Krems, dezvoltă de mulți ani metode de învățare automată și profundă pentru a automatiza astfel de analize și a le integra în procedurile clinice de rutină. Acum s-a realizat o altă descoperire.

„Pacienții ale căror celule gliale poartă o formă mutată a genei izocitrat dehidrogenazei (IDH) au de fapt o perspectivă clinică mai bună decât cei cu tipul sălbatic”, explică profesorul Andreas Stadlbauer, fizician medical la Zentralinstitut. „Aceasta înseamnă că, cu cât cunoaștem mai devreme starea mutației, cu atât putem individualiza mai bine tratamentul.” Diferențele în metabolismul energetic al tumorilor mutate și al celor de tip sălbatic ajută în acest sens. Datorită lucrărilor anterioare ale echipei profesorului Stadlbauer, acestea pot fi măsurate cu ușurință folosind RMN-ul fiziometabolic, chiar și fără probe de țesut. Cu toate acestea, analizarea și evaluarea datelor este un proces foarte complex și consumator de timp, care este dificil de integrat în practica clinică, mai ales că rezultatele sunt necesare rapid din cauza prognosticului slab al pacienților.

În studiul actual, echipa a folosit metode de învățare automată (ML) pentru a analiza și interpreta aceste date, cu scopul de a obține rezultate mai rapid și de a putea iniția pașii de tratament adecvați. Dar cât de precise sunt rezultatele? Pentru a evalua acest lucru, studiul a folosit mai întâi date de la 182 de pacienți de la Spitalul Universitar St. Pölten, ale căror date RMN au fost colectate conform protocoalelor standardizate.

„Când am văzut rezultatele algoritmilor noștri de învățare automată (ML),” explică profesorul Stadlbauer, „am fost foarte mulțumiți. Am obținut o precizie de 91,7% și o precizie de 87,5% în a distinge între tumorile cu tipul sălbatic al genei și cele cu forma mutată. Apoi am comparat aceste valori cu analizele ML ale datelor RMN clinice clasice și am putut demonstra că utilizarea datelor RMN fiziometabolice ca bază a dat rezultate semnificativ mai bune.”

Totuși, această superioritate a fost valabilă doar atunci când s-au analizat datele colectate în St. Pölten folosind un protocol standardizat. Nu s-a întâmplat acest lucru atunci când metoda ML a fost aplicată datelor externe, adică datelor RMN din alte baze de date spitalicești. În această situație, metoda ML antrenată pe date RMN clinice clasice a avut mai mult succes.

Motivul pentru care analiza ML a datelor RMN fiziometabolice a arătat rezultate mai slabe este că tehnologia este încă la o vârstă fragedă și se află în stadiul experimental de dezvoltare. Metodele de colectare a datelor variază încă de la spital la spital, ceea ce duce la erori în analiza ML.

Pentru omul de știință, problema este „doar” una de standardizare, care va apărea inevitabil odată cu utilizarea tot mai mare a RMN-ului fiziometabolic în diferite spitale. Metoda în sine - evaluarea rapidă a datelor RMN fiziometabolice folosind metode ML - a arătat rezultate excelente. Prin urmare, este o abordare excelentă pentru determinarea stării mutației IDH la pacienții cu gliom înainte de intervenția chirurgicală și pentru individualizarea opțiunilor de tratament.

Rezultatele studiului au fost publicate în revista Universității de Științe ale Sănătății Karl Landsteiner (KL Krems).