Машинное обучение улучшает раннее выявление мутаций глиомы

Методы машинного обучения (ML) могут быстро и точно диагностировать мутации в глиомах — первичных опухолях мозга.

Это подтверждает недавнее исследование, проведенное Университетом медицинских наук имени Карла Ландштейнера (KL Krems). В этом исследовании данные физиометаболических магнитно-резонансных изображений (МРТ) были проанализированы с использованием методов ML для выявления мутаций в метаболическом гене. Мутации этого гена имеют значительное влияние на течение заболевания, и ранняя диагностика важна для лечения. Исследование также показывает, что в настоящее время существуют несогласованные стандарты получения физиометаболических МРТ-изображений, что мешает рутинному клиническому использованию метода.

Глиомы — самые распространенные первичные опухоли мозга. Несмотря на все еще неблагоприятный прогноз, персонализированные терапии могут значительно улучшить успех лечения. Однако использование таких передовых терапий основывается на индивидуальных данных о опухоли, которые трудно получить для глиом из-за их расположения в мозге. Такие методы визуализации, как магнитно-резонансная томография (МРТ), могут предоставить такие данные, но их анализ сложен, трудоемок и требует много времени. Центральный институт диагностики медицинской радиологии при Университетской клинике Санкт-Пёльтена, учебной и исследовательской базе KL Krems, разрабатывает методы машинного и глубокого обучения в течение многих лет, чтобы автоматизировать такие анализы и интегрировать их в рутинные клинические операции. Теперь достигнут еще один прорыв.

"Пациенты, у которых клетки глиомы несут мутированную форму гена изоцитратдегидрогеназы (IDH), на самом деле имеют лучшие клинические перспективы, чем те, у кого дикий тип," объясняет профессор Андреас Штадльбауэр, медицинский физик в Центральном институте. "Это означает, что чем раньше мы узнаем о статусе мутации, тем лучше мы сможем индивидуализировать лечение." Различия в энергетическом обмене мутированных и дикого типа опухолей помогают в этом. Благодаря предыдущей работе команды профессора Штадльбауэра, их можно легко измерить с помощью физиометаболической МРТ, даже без образцов ткани. Однако анализ и оценка данных — это очень сложный и трудоемкий процесс, который трудно интегрировать в клиническую практику, особенно потому, что результаты нужны быстро из-за плохого прогноза у пациентов.

В текущем исследовании команда использовала методы ML для анализа и интерпретации этих данных, чтобы получить результат быстрее и иметь возможность инициировать соответствующие лечебные шаги. Но насколько точны полученные результаты? Для оценки этого в исследовании сначала использовались данные 182 пациентов из Университетской клиники Санкт-Пёльтена, чьи данные МРТ были собраны по стандартизированным протоколам.

"Когда мы увидели результаты оценки нашими алгоритмами ML," объясняет профессор Штадльбауэр, "мы были очень довольны. Мы достигли точности 91,7% и точности 87,5% в различении опухолей с диким типом гена и тех, у кого была мутированная форма. Затем мы сравнили эти значения с анализами ML данных классических клинических МРТ и смогли показать, что использование данных физиометаболической МРТ в качестве основы давало значительно лучшие результаты."

Однако это превосходство сохранялось только при анализе данных, собранных в Санкт-Пёльтене по стандартизированному протоколу. Это не было так, когда метод ML применялся к внешним данным, то есть к данным МРТ из других больничных баз данных. В этой ситуации метод ML, обученный на классических клинических данных МРТ, оказался более успешным.

Причина, по которой анализ данных физиометаболической МРТ с использованием ML показал худшие результаты, заключается в том, что технология все еще молодая и находится на экспериментальной стадии развития. Методы сбора данных все еще варьируются от больницы к больнице, что приводит к искажениям в анализе ML.

Для ученого проблема заключается "только" в стандартизации, которая неизбежно возникнет с увеличением использования физиометаболической МРТ в различных больницах. Сам метод — быстрая оценка данных физиометаболической МРТ с использованием методов ML — показал отличные результаты. Следовательно, это отличный подход для определения статуса мутации IDH у пациентов с глиомой до операции и для индивидуализации вариантов лечения.

Результаты исследования опубликованы в журнале Karl Landsteiner University of Health Sciences (KL Krems).