Mašininio mokymosi (ML) metodai gali greitai ir tiksliai diagnozuoti gliomų – pirminių smegenų auglių – mutacijas. Tai rodo neseniai Karlo Landsteinerio sveikatos mokslų universiteto (KL Krems) atliktas tyrimas.
Šiame tyrime, paskelbtame m Vėžiai, buvo analizuojami fizio-metabolinio magnetinio rezonanso vaizdų duomenys, siekiant nustatyti metabolinio geno mutacijas naudojant ML. Šio geno mutacijos turi didelę įtaką ligos eigai, o gydymui svarbi ankstyva diagnostika.
Tyrimas taip pat rodo, kad šiuo metu vis dar taikomi nenuoseklūs fizio-metabolinio magnetinio rezonanso vaizdų gavimo standartai, kurie neleidžia įprastiniam klinikiniam metodo naudojimui.
Gliomos yra labiausiai paplitę pirminiai smegenų augliai. Nepaisant vis dar prastos prognozės, individualizuota terapija jau gali žymiai pagerinti gydymo sėkmę. Tačiau tokios pažangios terapijos naudojimas grindžiamas individualiais naviko duomenimis, kurie nėra lengvai prieinami gliomoms dėl jų vietos smegenyse.
Vaizdo gavimo metodai, tokie kaip magnetinio rezonanso tomografija (MRT), gali pateikti tokius duomenis, tačiau jų analizė yra sudėtinga, reikalaujanti ir daug laiko reikalaujanti.
Todėl Sankt Pelteno universiteto ligoninės Centrinis medicininės radiologijos diagnostikos institutas, KL Krems mokymo ir tyrimų vieta, daugelį metų kuria mašininius ir giluminio mokymosi metodus, siekdamas automatizuoti tokias analizes ir integruoti jas į įprastas klinikines operacijas. Dabar pasiektas dar vienas proveržis.
Teigiama mutacija
„Pacientai, kurių gliomos ląstelės turi mutavusią izocitrato dehidrogenazės (IDH) geno formą, iš tikrųjų turi geresnes klinikines perspektyvas nei tie, kuriems yra laukinio tipo forma“, – aiškina Centrinio instituto medicinos fizikas profesorius Andreasas Stadlbaueris. „Tai reiškia, kad kuo anksčiau žinome apie šią mutacijos būklę, tuo geriau galime individualizuoti gydymą.”
To pasiekti padeda mutavusių ir laukinio tipo navikų energijos apykaitos skirtumai. Dėl ankstesnio prof. Stadlbauerio komandos darbo juos galima lengvai išmatuoti naudojant fiziologinį ir metabolinį MRT, net ir be audinių mėginių. Tačiau duomenų analizė ir vertinimas yra labai sudėtingas ir daug laiko reikalaujantis procesas, kurį sunku integruoti į klinikinę kasdienybę, ypač dėl to, kad dėl prastų pacientų prognozių reikia greitai gauti rezultatų.
Šiame tyrime komanda naudojo ML metodus, kad analizuotų ir interpretuotų šiuos duomenis, kad greičiau gautų rezultatą ir galėtų pradėti atitinkamus gydymo veiksmus. Tačiau kiek tikslūs gauti rezultatai? Norėdami tai įvertinti, tyrime pirmiausia buvo naudojami 182 pacientų iš Sent Pelteno universitetinės ligoninės, kurių MRT duomenys buvo renkami pagal standartizuotus protokolus, duomenys.
Teigiami rezultatai
„Kai pamatėme įvertinimo pagal mūsų ML algoritmus rezultatus, – aiškina prof. Stadlbaueris, – buvome labai patenkinti. Pasiekėme 91,7 % tikslumą ir 87,5 % tikslumą, skirdami navikus, turinčius laukinio tipo geną, ir su mutavusia forma.
„Tada mes palyginome šias vertes su klasikinių klinikinių MRT duomenų ML analizėmis ir galėjome parodyti, kad fizinių ir medžiagų apykaitos MRT duomenų naudojimas davė žymiai geresnių rezultatų.”
Tačiau šis pranašumas išsilaikė tik tol, kol Sent Peltene surinkti duomenys buvo analizuojami pagal standartizuotą protokolą. Tai nebuvo atvejis, kai ML metodas buvo taikomas išoriniams duomenims, ty MRT duomenims iš kitų ligoninių duomenų bazių. Šioje situacijoje ML metodas, kuris buvo išmokytas naudojant klasikinius klinikinius MRT duomenis, pasirodė esąs sėkmingesnis.
„Tai, kad fizio-metabolinių MRT duomenų ML analizė čia pasirodė prasčiau, yra dėl to, kad technologija dar jauna ir eksperimentinio kūrimo fazėje. Duomenų rinkimo metodai įvairiose ligoninėse vis dar skiriasi, o tai lemia iškraipymus ML analizė“, – sako Stadlbaueris.
Tačiau mokslininkui problema yra tik standartizavimo problema, kuri neišvengiamai iškils įvairiose ligoninėse vis dažniau naudojant fizio-metabolinį MRT. Pats metodas – laiką taupantis fizio-metabolinių MRT duomenų įvertinimas naudojant ML metodus – pasirodė esąs puikus.
Todėl tai yra puikus būdas nustatyti glioma sergančių pacientų IDH mutacijos būklę prieš operaciją ir individualizuoti gydymo galimybes.
Pateikė Karlo Landsteinerio universitetas