Машинното обучение подобрява ранното откриване на мутации на глиоми

Методите за машинно обучение (МО) могат бързо и точно да диагностицират мутации в глиоми, първични мозъчни тумори.

Това се подкрепя от скорошно проучване, проведено от Медицинския университет „Карл Ландщайнер“ (KL Krems). В това проучване данните от физиометаболитната магнитно-резонансна томография (MRI) са анализирани с помощта на ML методи за идентифициране на мутации в метаболитен ген. Мутациите в този ген имат значително влияние върху протичането на заболяването и ранната диагноза е важна за лечението. Проучването показва също, че понастоящем съществуват непоследователни стандарти за получаване на физиометаболитни MRI изображения, което възпрепятства рутинното клинично използване на метода.

Глиомите са най-често срещаните първични мозъчни тумори. Въпреки че прогнозата им все още е лоша, персонализираните терапии могат значително да подобрят успеха на лечението. Използването на такива съвременни терапии обаче разчита на индивидуални данни за тумора, които е трудно да се получат за глиоми поради местоположението им в мозъка. Методите за образна диагностика като магнитно-резонансна томография (MRI) могат да предоставят такива данни, но техният анализ е сложен, трудоемък и отнема много време. Централният институт по диагностична медицинска радиология към Университетската болница Санкт Пьолтен, учебната и изследователска база на KL Krems, разработва методи за машинно и дълбоко обучение от много години, за да автоматизира подобни анализи и да ги интегрира в рутинните клинични процедури. Сега е постигнат още един пробив.

„Пациентите, чиито глиомни клетки носят мутирала форма на гена за изоцитрат дехидрогеназа (IDH), всъщност имат по-добра клинична перспектива от тези с дивия тип“, обяснява професор Андреас Щадлбауер, медицински физик в Централния институт. „Това означава, че колкото по-рано знаем статуса на мутацията, толкова по-добре можем да индивидуализираме лечението.“ Разликите в енергийния метаболизъм на мутиралите и дивите тумори помагат за това. Благодарение на предишна работа на екипа на професор Щадлбауер, те могат лесно да бъдат измерени с помощта на физиометаболитен ЯМР, дори без тъканни проби. Анализът и оценката на данните обаче е много сложен и отнемащ време процес, който е трудно да се интегрира в клиничната практика, особено след като резултатите са необходими бързо поради лошата прогноза на пациентите.

В настоящото проучване екипът използва методи на машинно обучение, за да анализира и интерпретира тези данни, за да получи резултати по-бързо и да може да започне подходящо лечение. Но колко точни са резултатите? За да се оцени това, проучването първо използва данни от 182 пациенти от Университетската болница Санкт Пьолтен, чиито данни от ЯМР са събрани съгласно стандартизирани протоколи.

„Когато видяхме резултатите от нашите алгоритми за машинно обучение“, обяснява професор Щадлбауер, „бяхме много доволни. Постигнахме точност от 91,7% и прецизност от 87,5% при разграничаването на тумори с дивия тип на гена от тези с мутиралата форма. След това сравнихме тези стойности с ML анализи на класически клинични данни от ЯМР и успяхме да покажем, че използването на физиометаболитни данни от ЯМР като основа дава значително по-добри резултати.“

Това превъзходство обаче се наблюдава само при анализ на данни, събрани в Санкт Пьолтен, използвайки стандартизиран протокол. Това не беше така, когато методът ML беше приложен към външни данни, т.е. ЯМР данни от други болнични бази данни. В тази ситуация методът ML, обучен върху класически клинични ЯМР данни, беше по-успешен.

Причината, поради която ML анализът на физиометаболитни MRI данни показва по-лоши резултати, е, че технологията е все още млада и в експериментален етап на развитие. Методите за събиране на данни все още варират от болница до болница, което води до отклонения в ML анализа.

За учения проблемът е „само“ в стандартизацията, която неизбежно ще възникне с нарастващото използване на физиометаболитна ЯМР в различните болници. Самият метод - бърза оценка на физиометаболитните ЯМР данни с помощта на ML методи - е показал отлични резултати. Следователно, той е отличен подход за определяне на IDH мутационния статус при пациенти с глиом преди операция и за индивидуализиране на възможностите за лечение.

Резултатите от проучването са публикувани в списанието на Университета по здравни науки „Карл Ландщайнер“ (KL Krems).