Машинното обучение подобрява ранното откриване на мутации на глиома
Последно прегледани: 14.06.2024
Цялото съдържание на iLive е медицински прегледано или е проверено, за да се гарантира възможно най-голяма точност.
Имаме строги насоки за снабдяване и само свързваме реномирани медийни сайтове, академични изследователски институции и, когато е възможно, медицински проучвания, които се разглеждат от специалисти. Имайте предвид, че номерата в скоби ([1], [2] и т.н.) са линкове към тези проучвания.
Ако смятате, че някое от съдържанието ни е неточно, остаряло или под съмнение, моля, изберете го и натиснете Ctrl + Enter.
Методите на машинното обучение (ML) могат бързо и точно да диагностицират мутации в глиоми - първични мозъчни тумори.
Това се потвърждава от скорошно проучване, проведено от Университета по медицински науки Карл Ландщайнер (KL Krems). В това проучване данните от физиометаболичния магнитен резонанс (MRI) бяха анализирани с помощта на ML методи за идентифициране на мутации в метаболитен ген. Мутациите в този ген оказват значително влияние върху хода на заболяването и ранната диагностика е важна за лечението. Проучването също така показва, че в момента има противоречиви стандарти за получаване на физиометаболични MR изображения, което възпрепятства рутинната клинична употреба на метода.
Глиомите са най-честите първични мозъчни тумори. Въпреки все още лошата прогноза, персонализираните терапии могат значително да подобрят успеха на лечението. Използването на такива усъвършенствани терапии обаче разчита на индивидуални данни за тумори, които е трудно да се получат за глиоми поради местоположението им в мозъка. Техники за образна диагностика като магнитен резонанс (MRI) могат да предоставят такива данни, но техният анализ е сложен, трудоемък и отнема много време. Централният институт за диагностична медицинска радиология към университетската болница St. Pölten, учебната и изследователската база на KL Krems, разработва машинни и дълбоки методи за обучение в продължение на много години, за да автоматизира такива анализи и да ги интегрира в рутинни клинични операции. Сега е постигнат още един пробив.
„Пациентите, чиито глиомни клетки носят мутирала форма на гена за изоцитрат дехидрогеназа (IDH), всъщност имат по-добри клинични перспективи от тези с див тип“, обяснява професор Андреас Щадлбауер, медицински физик в Централния институт. „Това означава, че колкото по-рано разберем състоянието на мутацията, толкова по-добре можем да индивидуализираме лечението.“ Разликите в енергийния метаболизъм на мутиралите и дивия тип тумори помагат за това. Благодарение на предишната работа на екипа на професор Stadlbauer, те могат лесно да бъдат измерени с помощта на физиометаболичен MRI, дори без тъканни проби. Анализът и оценката на данните обаче е много сложен и отнемащ време процес, който е труден за интегриране в клиничната практика, особено защото резултатите са необходими бързо поради лошата прогноза на пациентите.
В настоящото проучване екипът използва ML методи, за да анализира и интерпретира тези данни, за да получи по-бързо резултати и да може да започне подходящи стъпки за лечение. Но колко точни са резултатите? За да се оцени това, проучването първо използва данни от 182 пациенти в университетската болница St. Pölten, чиито MRI данни са събрани с помощта на стандартизирани протоколи.
„Когато видяхме резултатите от оценката на нашите ML алгоритми,“ обяснява професор Щадлбауер, „бяхме много доволни. Постигнахме точност от 91,7% и точност от 87,5% при разграничаване на тумори с ген див тип от тези с мутирала форма. След това сравнихме тези стойности с ML анализи на класически клинични ЯМР данни и успяхме да покажем, че използването на физиометаболични ЯМР данни като основа дава значително по-добри резултати."
Това превъзходство обаче беше запазено само при анализиране на данни, събрани в St. Pölten с помощта на стандартизиран протокол. Това не беше случаят, когато методът ML беше приложен към външни данни, т.е. MRI данни от други болнични бази данни. В тази ситуация методът ML, обучен върху класически клинични MRI данни, беше по-успешен.
Причината, поради която анализът на физиометаболични MRI данни с помощта на ML се представи по-лошо, е, че технологията е все още млада и е в експериментален етап на развитие. Методите за събиране на данни все още се различават от болница до болница, което води до пристрастия в анализа на ML.
За учения проблемът е „само“ стандартизацията, която неизбежно ще възникне с нарастващото използване на физиометаболичен ЯМР в различни болници. Самият метод — бърза оценка на физиометаболични MRI данни с помощта на ML методи — показа отлични резултати. Следователно, това е отличен подход за определяне на статуса на IDH мутация при пациенти с глиома преди операцията и за индивидуализиране на възможностите за лечение.
Резултатите от проучването са публикувани в списанието Karl Landsteiner University of Health Sciences (KL Krems).