Învățarea automată îmbunătățește detectarea precoce a mutațiilor gliomului
Ultima examinare: 14.06.2024
Tot conținutul iLive este revizuit din punct de vedere medical sau verificat pentru a vă asigura cât mai multă precizie de fapt.
Avem linii directoare de aprovizionare stricte și legătura numai cu site-uri cu reputație media, instituții de cercetare academică și, ori de câte ori este posibil, studii medicale revizuite de experți. Rețineți că numerele din paranteze ([1], [2], etc.) sunt link-uri clickabile la aceste studii.
Dacă considerați că oricare dintre conținuturile noastre este inexactă, depășită sau îndoielnică, selectați-o și apăsați pe Ctrl + Enter.
Metodele de învățare automată (ML) pot diagnostica rapid și precis mutațiile în glioame - tumori cerebrale primare.
Acest lucru este confirmat de un studiu recent realizat de Universitatea de Științe Medicale Karl Landsteiner (KL Krems). În acest studiu, datele imagistice prin rezonanță magnetică fiziometabolică (IRM) au fost analizate folosind metode ML pentru a identifica mutațiile unei gene metabolice. Mutațiile acestei gene au un impact semnificativ asupra evoluției bolii, iar diagnosticul precoce este important pentru tratament. Studiul mai arată că în prezent există standarde inconsecvente pentru obținerea de imagini RM fiziometabolice, ceea ce împiedică utilizarea clinică de rutină a metodei.
Glioamele sunt cele mai frecvente tumori cerebrale primare. În ciuda prognosticului încă prost, terapiile personalizate pot îmbunătăți semnificativ succesul tratamentului. Cu toate acestea, utilizarea unor astfel de terapii avansate se bazează pe date individuale despre tumori, care este dificil de obținut pentru glioame din cauza locației lor în creier. Tehnicile de imagistică, cum ar fi Imagistica prin rezonanță magnetică (RMN) pot furniza astfel de date, dar analiza lor este complexă, necesită multă muncă și necesită timp. Institutul Central de Radiologie Medicală de Diagnostic de la Spitalul Universitar St. Pölten, baza de predare și cercetare a KL Krems, dezvoltă de mulți ani metode automate și de învățare profundă pentru a automatiza astfel de analize și a le integra în operațiunile clinice de rutină. Acum s-a realizat un alt progres.
„Pacienții ale căror celule gliom poartă o formă mutantă a genei izocitrat dehidrogenazei (IDH) au de fapt perspective clinice mai bune decât cei cu tipul sălbatic”, explică profesorul Andreas Stadlbauer, fizician medical la Institutul Central. „Acest lucru înseamnă că, cu cât cunoaștem mai devreme starea mutației, cu atât mai bine putem individualiza tratamentul”. Diferențele în metabolismul energetic al tumorilor mutante și de tip sălbatic ajută la acest lucru. Datorită lucrărilor anterioare ale echipei profesorului Stadlbauer, acestea pot fi măsurate cu ușurință folosind RMN fiziometabolic, chiar și fără mostre de țesut. Cu toate acestea, analiza și evaluarea datelor este un proces foarte complex și consumator de timp, care este greu de integrat în practica clinică, mai ales că rezultatele sunt necesare rapid din cauza prognosticului prost al pacienților.
În studiul actual, echipa a folosit metode ML pentru a analiza și interpreta aceste date pentru a obține rezultate mai rapid și pentru a putea iniția pașii adecvati de tratament. 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 folosind protocoale standardizate.
„Când am văzut rezultatele evaluării algoritmilor noștri ML”, explică profesorul Stadlbauer, „am fost foarte mulțumiți. Am obținut o acuratețe de 91,7% și o acuratețe de 87,5% în distingerea tumorilor cu gena de tip sălbatic de cele cu formă mutantă. Apoi am comparat aceste valori cu analizele ML ale datelor RMN clinice clasice și am putut arăta că utilizarea datelor RMN fiziometabolice ca bază a produs rezultate semnificativ mai bune.”
Cu toate acestea, această superioritate a fost menținută numai atunci când s-au analizat datele colectate în St. Pölten folosind un protocol standardizat. Acesta nu a fost cazul când metoda ML a fost aplicată datelor externe, adică date RMN din alte baze de date spitalicești. În această situație, metoda ML antrenată pe datele RMN clinice clasice a avut mai mult succes.
Motivul pentru care analiza datelor RMN fiziometabolice folosind ML a avut rezultate mai proaste este că tehnologia este încă tânără și în stadiul experimental de dezvoltare. Metodele de colectare a datelor variază în continuare de la spital la spital, ceea ce duce la părtinire în analiza ML.
Pentru om de știință, problema este „doar” standardizarea 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, aceasta este o abordare excelentă pentru a determina starea mutației IDH la pacienții cu gliom preoperator și pentru a individualiza opțiunile de tratament.
Rezultatele studiului au fost publicate în revista Karl Landsteiner University of Health Sciences (KL Krems).