Maskinlæring forbedrer tidlig opdagelse af gliommutationer

Maskinlæringsmetoder (ML) kan hurtigt og præcist diagnosticere mutationer i gliomer, primære hjernetumorer.

Dette understøttes af en nylig undersøgelse foretaget af Karl Landsteiner University of Medical Sciences (KL Krems). I denne undersøgelse blev fysiometabolisk magnetisk resonansbilleddannelse (MRI)-data analyseret ved hjælp af ML-metoder for at identificere mutationer i et metabolisk gen. Mutationer i dette gen har en betydelig indflydelse på sygdomsforløbet, og tidlig diagnose er vigtig for behandling. Undersøgelsen viser også, at der i øjeblikket er inkonsistente standarder for at opnå fysiometaboliske MRI-billeder, hvilket hindrer rutinemæssig klinisk brug af metoden.

Gliomer er de mest almindelige primære hjernetumorer. Selvom deres prognose stadig er dårlig, kan personlige terapier forbedre behandlingssuccesen betydeligt. Brugen af sådanne avancerede terapier er dog afhængig af individuelle tumordata, hvilket er vanskeligt at opnå for gliomer på grund af deres placering i hjernen. Billeddiagnostiske metoder som magnetisk resonansbilleddannelse (MRI) kan levere sådanne data, men deres analyse er kompleks, arbejdskrævende og tidskrævende. Centralinstituttet for diagnostisk medicinsk radiologi på Universitetshospitalet St. Pölten, undervisnings- og forskningsbasen for KL Krems, har i mange år udviklet maskin- og deep learning-metoder for at automatisere sådanne analyser og integrere dem i rutinemæssige kliniske procedurer. Nu er der opnået endnu et gennembrud.

"Patienter, hvis gliomceller bærer en muteret form af isocitratdehydrogenase (IDH)-genet, har faktisk et bedre klinisk perspektiv end dem med vildtypen," forklarer professor Andreas Stadlbauer, medicinsk fysiker ved Zentralinstitut. "Det betyder, at jo tidligere vi kender mutationsstatussen, desto bedre kan vi individualisere behandlingen." Forskelle i energimetabolismen hos muterede og vildtypetumorer hjælper med dette. Takket være tidligere arbejde fra professor Stadlbauers team kan disse let måles ved hjælp af fysiometabolisk MR, selv uden vævsprøver. Analyse og evaluering af dataene er dog en meget kompleks og tidskrævende proces, der er vanskelig at integrere i klinisk praksis, især da resultaterne er nødvendige hurtigt på grund af patienternes dårlige prognose.

I det aktuelle studie brugte teamet ML-metoder til at analysere og fortolke disse data for at opnå resultater hurtigere og kunne iværksætte passende behandlingstrin. Men hvor præcise er resultaterne? For at vurdere dette anvendte studiet først data fra 182 patienter fra Universitetshospitalet St. Pölten, hvis MR-data blev indsamlet i henhold til standardiserede protokoller.

"Da vi så resultaterne af vores ML-algoritmer," forklarer professor Stadlbauer, "var vi meget tilfredse. Vi opnåede en nøjagtighed på 91,7 % og en præcision på 87,5 % i at skelne mellem tumorer med genets vildtype og dem med den muterede form. Vi sammenlignede derefter disse værdier med ML-analyser af klassiske kliniske MR-data og kunne vise, at brugen af fysiometaboliske MR-data som grundlag gav signifikant bedre resultater."

Denne overlegenhed holdt dog kun ved analyse af data indsamlet i St. Pölten ved hjælp af en standardiseret protokol. Dette var ikke tilfældet, da ML-metoden blev anvendt på eksterne data, dvs. MR-data fra andre hospitalsdatabaser. I denne situation var ML-metoden trænet på klassiske kliniske MR-data mere succesfuld.

Grunden til, at ML-analysen af fysiometaboliske MR-data viste dårligere resultater, er, at teknologien stadig er ung og i den eksperimentelle udviklingsfase. Dataindsamlingsmetoderne varierer stadig fra hospital til hospital, hvilket fører til bias i ML-analysen.

For forskeren er problemet "kun" standardisering, hvilket uundgåeligt vil opstå med den stigende brug af fysiometabolisk MR-scanning på forskellige hospitaler. Selve metoden - hurtig vurdering af fysiometaboliske MR-data ved hjælp af ML-metoder - har vist fremragende resultater. Derfor er det en fremragende tilgang til at bestemme IDH-mutationsstatus hos gliompatienter før operation og til at individualisere behandlingsmuligheder.

Resultaterne af undersøgelsen blev offentliggjort i tidsskriftet Karl Landsteiner University of Health Sciences (KL Krems).