Η μηχανική μάθηση βελτιώνει την έγκαιρη ανίχνευση μεταλλάξεων γλοιώματος

Οι μέθοδοι μηχανικής μάθησης (ML) μπορούν να διαγνώσουν γρήγορα και με ακρίβεια μεταλλάξεις σε γλοιώματα, πρωτοπαθείς όγκους του εγκεφάλου.

Αυτό υποστηρίζεται από μια πρόσφατη μελέτη που διεξήχθη από το Πανεπιστήμιο Ιατρικών Επιστημών Karl Landsteiner (KL Krems). Σε αυτήν τη μελέτη, τα δεδομένα φυσιομεταβολικής μαγνητικής τομογραφίας (MRI) αναλύθηκαν χρησιμοποιώντας μεθόδους ML για τον εντοπισμό μεταλλάξεων σε ένα μεταβολικό γονίδιο. Οι μεταλλάξεις σε αυτό το γονίδιο έχουν σημαντικό αντίκτυπο στην πορεία της νόσου και η έγκαιρη διάγνωση είναι σημαντική για τη θεραπεία. Η μελέτη δείχνει επίσης ότι επί του παρόντος υπάρχουν ασυνεπή πρότυπα για τη λήψη φυσιομεταβολικών εικόνων MRI, γεγονός που εμποδίζει την κλινική χρήση της μεθόδου σε τακτική βάση.

Τα γλοιώματα είναι οι πιο συνηθισμένοι πρωτοπαθείς όγκοι του εγκεφάλου. Αν και η πρόγνωσή τους εξακολουθεί να είναι κακή, οι εξατομικευμένες θεραπείες μπορούν να βελτιώσουν σημαντικά την επιτυχία της θεραπείας. Ωστόσο, η χρήση τέτοιων προηγμένων θεραπειών βασίζεται σε μεμονωμένα δεδομένα όγκου, τα οποία είναι δύσκολο να ληφθούν για τα γλοιώματα λόγω της θέσης τους στον εγκέφαλο. Οι μέθοδοι απεικόνισης όπως η μαγνητική τομογραφία (MRI) μπορούν να παρέχουν τέτοια δεδομένα, αλλά η ανάλυσή τους είναι πολύπλοκη, επίπονη και χρονοβόρα. Το Κεντρικό Ινστιτούτο Διαγνωστικής Ιατρικής Ακτινολογίας στο Πανεπιστημιακό Νοσοκομείο St. Pölten, η διδακτική και ερευνητική βάση του KL Krems, αναπτύσσει μεθόδους μηχανικής και βαθιάς μάθησης εδώ και πολλά χρόνια για να αυτοματοποιήσει τέτοιες αναλύσεις και να τις ενσωματώσει σε συνήθεις κλινικές διαδικασίες. Τώρα έχει επιτευχθεί μια ακόμη σημαντική ανακάλυψη.

«Οι ασθενείς των οποίων τα γλοιωματικά κύτταρα φέρουν μια μεταλλαγμένη μορφή του γονιδίου της ισοκιτρικής αφυδρογονάσης (IDH) έχουν στην πραγματικότητα καλύτερη κλινική εικόνα από εκείνους με τον άγριο τύπο», εξηγεί ο καθηγητής Andreas Stadlbauer, ιατρικός φυσικός στο Zentralinstitut. «Αυτό σημαίνει ότι όσο νωρίτερα γνωρίζουμε την κατάσταση της μετάλλαξης, τόσο καλύτερα μπορούμε να εξατομικεύσουμε τη θεραπεία». Οι διαφορές στον ενεργειακό μεταβολισμό των μεταλλαγμένων και των άγριων όγκων βοηθούν σε αυτό. Χάρη σε προηγούμενη εργασία της ομάδας του καθηγητή Stadlbauer, αυτές μπορούν εύκολα να μετρηθούν χρησιμοποιώντας φυσιομεταβολική μαγνητική τομογραφία, ακόμη και χωρίς δείγματα ιστών. Ωστόσο, η ανάλυση και η αξιολόγηση των δεδομένων είναι μια πολύπλοκη και χρονοβόρα διαδικασία που είναι δύσκολο να ενσωματωθεί στην κλινική πρακτική, ειδικά επειδή τα αποτελέσματα χρειάζονται γρήγορα λόγω της κακής πρόγνωσης των ασθενών.

Στην παρούσα μελέτη, η ομάδα χρησιμοποίησε μεθόδους μηχανικής μάθησης (ML) για να αναλύσει και να ερμηνεύσει αυτά τα δεδομένα, προκειμένου να λάβει αποτελέσματα ταχύτερα και να είναι σε θέση να ξεκινήσει τα κατάλληλα βήματα θεραπείας. Αλλά πόσο ακριβή είναι τα αποτελέσματα; Για να αξιολογήσει αυτό, η μελέτη χρησιμοποίησε πρώτα δεδομένα από 182 ασθενείς από το Πανεπιστημιακό Νοσοκομείο St. Pölten, των οποίων τα δεδομένα μαγνητικής τομογραφίας συλλέχθηκαν σύμφωνα με τυποποιημένα πρωτόκολλα.

«Όταν είδαμε τα αποτελέσματα των αλγορίθμων μηχανικής μάθησης (ML) μας», εξηγεί ο καθηγητής Stadlbauer, «μείναμε πολύ ευχαριστημένοι. Πετύχαμε ακρίβεια 91,7% και 87,5% στη διάκριση μεταξύ όγκων με τον άγριο τύπο του γονιδίου και εκείνων με τη μεταλλαγμένη μορφή. Στη συνέχεια, συγκρίναμε αυτές τις τιμές με αναλύσεις ML κλασικών κλινικών δεδομένων μαγνητικής τομογραφίας και καταφέραμε να δείξουμε ότι η χρήση φυσιομεταβολικών δεδομένων μαγνητικής τομογραφίας ως βάση έδωσε σημαντικά καλύτερα αποτελέσματα».

Ωστόσο, αυτή η ανωτερότητα διατηρήθηκε μόνο κατά την ανάλυση δεδομένων που συλλέχθηκαν στο St. Pölten χρησιμοποιώντας ένα τυποποιημένο πρωτόκολλο. Αυτό δεν ίσχυε όταν η μέθοδος ML εφαρμόστηκε σε εξωτερικά δεδομένα, δηλαδή δεδομένα μαγνητικής τομογραφίας από άλλες βάσεις δεδομένων νοσοκομείων. Σε αυτήν την περίπτωση, η μέθοδος ML που εκπαιδεύτηκε σε κλασικά κλινικά δεδομένα μαγνητικής τομογραφίας ήταν πιο επιτυχημένη.

Ο λόγος για τον οποίο η ανάλυση ML των φυσικομεταβολικών δεδομένων MRI έδειξε χειρότερα αποτελέσματα είναι ότι η τεχνολογία είναι ακόμη νέα και βρίσκεται στο πειραματικό στάδιο ανάπτυξης. Οι μέθοδοι συλλογής δεδομένων εξακολουθούν να διαφέρουν από νοσοκομείο σε νοσοκομείο, γεγονός που οδηγεί σε μεροληψίες στην ανάλυση ML.

Για τον επιστήμονα, το πρόβλημα είναι «μόνο» η τυποποίηση, η οποία αναπόφευκτα θα προκύψει με την αυξανόμενη χρήση της φυσιομεταβολικής μαγνητικής τομογραφίας σε διαφορετικά νοσοκομεία. Η ίδια η μέθοδος - η ταχεία αξιολόγηση των δεδομένων φυσιομεταβολικής μαγνητικής τομογραφίας χρησιμοποιώντας μεθόδους ML - έχει δείξει εξαιρετικά αποτελέσματα. Ως εκ τούτου, αποτελεί μια εξαιρετική προσέγγιση για τον προσδιορισμό της κατάστασης μετάλλαξης IDH σε ασθενείς με γλοίωμα πριν από τη χειρουργική επέμβαση και για την εξατομίκευση των θεραπευτικών επιλογών.

Τα αποτελέσματα της μελέτης δημοσιεύθηκαν στο περιοδικό Karl Landsteiner University of Health Sciences (KL Krems).