Машинне навчання покращує раннє виявлення мутацій гліоми
Останній перегляд: 14.06.2024
Весь контент iLive перевіряється медичними експертами, щоб забезпечити максимально можливу точність і відповідність фактам.
У нас є строгі правила щодо вибору джерел інформації та ми посилаємося тільки на авторитетні сайти, академічні дослідницькі інститути і, по можливості, доведені медичні дослідження. Зверніть увагу, що цифри в дужках ([1], [2] і т. д.) є інтерактивними посиланнями на такі дослідження.
Якщо ви вважаєте, що який-небудь з наших матеріалів є неточним, застарілим або іншим чином сумнівним, виберіть його і натисніть Ctrl + Enter.
Методи машинного навчання (ML) можуть швидко й точно діагностувати мутації в гліомах – первинних пухлинах мозку.
Це підтверджено нещодавнім дослідженням, проведеним Університетом медичних наук імені Карла Ландштайнера (KL Krems). У цьому дослідженні дані фізіометаболічної магнітно-резонансної томографії (МРТ) були проаналізовані за допомогою методів ML для виявлення мутацій у метаболічному гені. Мутації в цьому гені мають значний вплив на перебіг захворювання, тому рання діагностика важлива для лікування. Дослідження також показує, що наразі існують суперечливі стандарти для отримання фізіометаболічних МР-зображень, що перешкоджає звичайному клінічному використанню методу.
Гліоми є найпоширенішими первинними пухлинами мозку. Незважаючи на все ще поганий прогноз, персоналізована терапія може значно покращити успіх лікування. Однак використання таких передових методів лікування залежить від індивідуальних даних про пухлини, які важко отримати для гліом через їх розташування в мозку. Такі методи візуалізації, як магнітно-резонансна томографія (МРТ), можуть надати такі дані, але їх аналіз складний, трудомісткий і забирає багато часу. Центральний інститут діагностичної медичної радіології при університетській лікарні Санкт-Пельтен, навчальна та дослідницька база KL Krems, протягом багатьох років розробляв машинні методи та методи глибокого навчання для автоматизації таких аналізів та інтеграції їх у звичайні клінічні операції. Тепер ще один прорив досягнутий.
«Пацієнти, чиї клітини гліоми несуть мутовану форму гена ізоцитратдегідрогенази (IDH), насправді мають кращі клінічні перспективи, ніж пацієнти з диким типом», — пояснює професор Андреас Штадльбауер, медичний фізик із Центрального інституту. «Це означає, що чим раніше ми дізнаємося статус мутації, тим краще ми зможемо підібрати лікування». Цьому допомагають відмінності в енергетичному метаболізмі мутованих і диких пухлин. Завдяки попередній роботі команди професора Штадльбауера їх можна легко виміряти за допомогою фізіометаболічної МРТ навіть без зразків тканин. Однак аналіз і оцінка даних є дуже складним і тривалим процесом, який важко інтегрувати в клінічну практику, особливо тому, що результати потрібні швидко через поганий прогноз для пацієнтів.
У поточному дослідженні команда використовувала методи ML для аналізу та інтерпретації цих даних, щоб швидше отримати результати та почати відповідні кроки лікування. Але наскільки точні результати? Щоб оцінити це, у дослідженні спочатку використали дані 182 пацієнтів університетської лікарні Санкт-Пельтена, чиї дані МРТ були зібрані за стандартизованими протоколами.
«Коли ми побачили результати оцінювання наших алгоритмів ML, — пояснює професор Штадльбауер, — ми були дуже задоволені. Ми досягли точності 91,7% і точності 87,5% у відрізненні пухлин з геном дикого типу від пухлин з мутованою формою. Потім ми порівняли ці значення з аналізом ML класичних клінічних даних МРТ і змогли показати, що використання даних фізіометаболічної МРТ як основи дає значно кращі результати."
Однак ця перевага була збережена лише під час аналізу даних, зібраних у Санкт-Пельтені за допомогою стандартизованого протоколу. Це було не так, коли метод ML застосовувався до зовнішніх даних, тобто даних МРТ з інших лікарняних баз даних. У цій ситуації метод МЛ, навчений на класичних клінічних даних МРТ, виявився більш успішним.
Причина, чому аналіз фізіометаболічних МРТ-даних за допомогою МЛ показав гірше, полягає в тому, що технологія ще молода та знаходиться на експериментальній стадії розробки. Методи збору даних все ще відрізняються від лікарні до лікарні, що призводить до упередженості в аналізі ML.
Для вченого проблема полягає «тільки» в стандартизації, яка неминуче виникне зі збільшенням використання фізіометаболічної МРТ у різних лікарнях. Сам метод — швидка оцінка фізіометаболічних даних МРТ за допомогою методів ML — показав чудові результати. Таким чином, це чудовий підхід для визначення стану мутації IDH у пацієнтів з гліомою перед операцією та для індивідуального підбору варіантів лікування.
Результати дослідження були опубліковані в журналі Університету наук про здоров'я Карла Ландштайнера (KL Krems).