Strojové učení zlepšuje včasnou detekci gliomových mutací

Metody strojového učení (ML) mohou rychle a přesně diagnostikovat mutace u gliomů – primárních mozkových nádorů.

Potvrzuje to nedávná studie provedená Univerzitou lékařských věd Karla Landsteinera (KL Krems). V této studii byla data z fyziometabolického zobrazování magnetickou rezonancí (MRI) analyzována pomocí metod ML k identifikaci mutací v metabolickém genu. Mutace tohoto genu mají významný vliv na průběh onemocnění a pro léčbu je důležitá včasná diagnostika. Studie také ukazuje, že v současnosti existují nekonzistentní standardy pro získávání fyziometabolických MR snímků, což brání rutinnímu klinickému použití této metody.

Gliomy jsou nejčastější primární mozkové nádory. I přes stále špatnou prognózu mohou personalizované terapie výrazně zlepšit úspěšnost léčby. Použití takových pokročilých terapií se však opírá o údaje o jednotlivých nádorech, které je u gliomů obtížné získat kvůli jejich umístění v mozku. Taková data mohou poskytnout zobrazovací techniky, jako je zobrazování magnetickou rezonancí (MRI), ale jejich analýza je složitá, pracná a časově náročná. Ústřední ústav pro diagnostickou lékařskou radiologii ve Fakultní nemocnici St. Pölten, výuková a výzkumná základna KL Krems, již řadu let vyvíjí metody strojového a hlubokého učení pro automatizaci takových analýz a jejich integraci do rutinních klinických operací. Nyní bylo dosaženo dalšího průlomu.

„Pacienti, jejichž gliomové buňky nesou mutovanou formu genu isocitrátdehydrogenázy (IDH), mají ve skutečnosti lepší klinické vyhlídky než pacienti s divokým typem,“ vysvětluje profesor Andreas Stadlbauer, lékařský fyzik z Centrálního ústavu. "To znamená, že čím dříve budeme znát stav mutace, tím lépe můžeme individualizovat léčbu." K tomu napomáhají rozdíly v energetickém metabolismu mutovaných a divokých nádorů. Díky předchozí práci týmu profesora Stadlbauera je lze snadno měřit pomocí fyziometabolické MRI i bez vzorků tkáně. Analýza a vyhodnocení dat je však velmi složitý a časově náročný proces, který je obtížné integrovat do klinické praxe, zejména proto, že výsledky jsou potřeba rychle kvůli špatné prognóze pacientů.

V současné studii tým použil metody ML k analýze a interpretaci těchto dat, aby získal výsledky rychleji a byl schopen zahájit vhodné léčebné kroky. Ale jak přesné jsou výsledky? K vyhodnocení toho studie nejprve použila data od 182 pacientů z Fakultní nemocnice St. Pölten, jejichž data MRI byla shromážděna pomocí standardizovaných protokolů.

„Když jsme viděli výsledky hodnocení našich algoritmů ML,“ vysvětluje profesor Stadlbauer, „byli jsme velmi potěšeni. Dosáhli jsme přesnosti 91,7 % a přesnosti 87,5 % v rozlišení nádorů s genem divokého typu od nádorů s mutovanou formou. Poté jsme tyto hodnoty porovnali s ML analýzami klasických klinických MRI dat a byli jsme schopni prokázat, že použití fyziometabolických MRI dat jako základu přineslo výrazně lepší výsledky.“

Tato převaha však byla zachována pouze při analýze dat shromážděných v St. Pöltenu pomocí standardizovaného protokolu. To nebyl případ, kdy byla metoda ML aplikována na externí data, tj. Data z MRI z jiných databází nemocnic. V této situaci byla úspěšnější metoda ML trénovaná na klasických klinických MRI datech.

Důvodem, proč analýza fyziometabolických dat MRI pomocí ML dopadla hůře, je to, že tato technologie je stále mladá a v experimentální fázi vývoje. Metody sběru dat se v jednotlivých nemocnicích stále liší, což vede k zkreslení analýzy ML.

Pro vědce je problémem „pouze“ standardizace, která nevyhnutelně vznikne s rostoucím používáním fyziometabolické MRI v různých nemocnicích. Samotná metoda – rychlé hodnocení fyziometabolických dat MRI pomocí metod ML – vykazuje vynikající výsledky. Jedná se tedy o vynikající přístup ke stanovení stavu mutace IDH u pacientů s gliomem před operací a k individualizaci možností léčby.

Výsledky studie byly publikovány v časopise Karl Landsteiner University of Health Sciences (KL Krems).