Strojové učení zlepšuje včasnou detekci mutací gliomů

Metody strojového učení (ML) dokáží rychle a přesně diagnostikovat mutace v gliomech, primárních mozkových nádorech.

Toto zjištění podporuje i nedávná studie provedená na Lékařské univerzitě Karla Landsteinera (KL Krems). V této studii byla data z fyziometabolické magnetické rezonance (MRI) analyzována pomocí metod ML za účelem identifikace mutací v metabolickém genu. Mutace v tomto genu mají významný vliv na průběh onemocnění a včasná diagnóza je pro léčbu důležitá. Studie také ukazuje, že v současné době existují nekonzistentní standardy pro získávání fyziometabolických MRI snímků, což brání rutinnímu klinickému využití této metody.

Gliomy jsou nejčastějšími primárními nádory mozku. Přestože je jejich prognóza stále špatná, personalizované terapie mohou významně zlepšit úspěšnost léčby. Použití těchto pokročilých terapií se však opírá o individuální data o nádoru, která je u gliomů obtížné získat kvůli jejich umístění v mozku. Zobrazovací metody, jako je magnetická rezonance (MRI), mohou taková data poskytnout, ale jejich analýza je složitá, pracná a časově náročná. Centrální ústav pro diagnostickou lékařskou radiologii ve Fakultní nemocnici St. Pölten, výuková a výzkumná základna KL Krems, již mnoho let vyvíjí metody strojového a hlubokého učení pro automatizaci těchto analýz a jejich integraci do běžných klinických postupů. Nyní bylo dosaženo dalšího průlomu.

„Pacienti, jejichž gliomové buňky nesou mutovanou formu genu isocitrátdehydrogenázy (IDH), mají ve skutečnosti lepší klinický výhled než pacienti s divokým typem,“ vysvětluje profesor Andreas Stadlbauer, lékařský fyzik z Zentralinstitutu. „To znamená, že čím dříve známe stav mutace, tím lépe můžeme individualizovat léčbu.“ Rozdíly v energetickém metabolismu mutovaných a divokých nádorů v tom pomáhají. Díky předchozí práci týmu profesora Stadlbauera je lze snadno měřit pomocí fyziometabolické magnetické rezonance, a to i bez vzorků tkáně. Analýza a vyhodnocování dat je však velmi složitý a časově náročný proces, který je obtížné integrovat do klinické praxe, zejména proto, že výsledky jsou kvůli špatné prognóze pacientů potřeba rychle.

V aktuální studii tým použil metody strojového učení k analýze a interpretaci těchto dat, aby dosáhl výsledků rychleji a mohl zahájit vhodné léčebné kroky. Jak přesné jsou však výsledky? Pro posouzení této situace studie nejprve použila data od 182 pacientů z Univerzitní nemocnice St. Pölten, jejichž data z magnetické rezonance byla shromážděna podle standardizovaných protokolů.

„Když jsme viděli výsledky našich algoritmů ML,“ vysvětluje profesor Stadlbauer, „byli jsme velmi spokojeni. Dosáhli jsme přesnosti 91,7 % a přesnosti 87,5 % v rozlišení mezi nádory s divokým typem genu a těmi s mutovanou formou. Tyto hodnoty jsme poté porovnali s analýzami ML klasických klinických dat MRI a byli jsme schopni prokázat, že použití fyziometabolických dat MRI jako základu dává výrazně lepší výsledky.“

Tato převaha však platila pouze při analýze dat shromážděných v St. Pöltenu pomocí standardizovaného protokolu. To neplatilo, když byla metoda ML aplikována na externí data, tj. data MRI z jiných nemocničních databází. V této situaci byla metoda ML trénovaná na klasických klinických datech MRI úspěšnější.

Důvodem, proč analýza fyziometabolických dat z magnetické rezonance metodou ML vykazovala horší výsledky, je to, že se jedná o mladou a experimentální fázi vývoje. Metody sběru dat se stále liší nemocnice od nemocnice, což vede ke zkreslení v analýze metodou ML.

Pro vědce je problémem „pouze“ standardizace, která nevyhnutelně vznikne s rostoucím používáním fyziometabolické magnetické rezonance (MRI) v různých nemocnicích. Samotná metoda – rychlé vyhodnocení dat fyziometabolické MRI pomocí ML metod – vykazuje vynikající výsledky. Je proto vynikajícím přístupem k určení statusu mutace IDH u pacientů s gliomem před operací a k individualizaci možností léčby.

Výsledky studie byly publikovány v časopise Univerzity zdravotnických věd Karla Landsteinera (KL Krems).