Maskinlæring forbedrer tidlig påvisning af gliommutationer

Machine learning (ML) metoder kan hurtigt og præcist diagnosticere mutationer i gliomer - primære hjernetumorer.

Dette bekræftes af en nylig undersøgelse udført af Karl Landsteiner University of Medical Sciences (KL Krems). I denne undersøgelse blev physiometabolic magnetic resonance imaging (MRI) data analyseret ved hjælp af ML metoder til at identificere mutationer i et metabolisk gen. Mutationer i dette gen har en væsentlig indflydelse på sygdomsforløbet, og tidlig diagnose er vigtig for behandlingen. Undersøgelsen viser også, at der i øjeblikket er inkonsistente standarder for at opnå fysiometaboliske MR-billeder, hvilket hindrer rutinemæssig klinisk brug af metoden.

Gliomer er de mest almindelige primære hjernetumorer. På trods af den stadig dårlige prognose kan tilpassede terapier forbedre behandlingens succes betydeligt. Brugen af sådanne avancerede terapier er imidlertid afhængige af individuelle tumordata, som er vanskelige at opnå for gliomer på grund af deres placering i hjernen. Billeddannelsesteknikker såsom Magnetisk resonansbilleddannelse (MRI) kan levere sådanne data, men deres analyse er kompleks, arbejdskrævende og tidskrævende. Centralinstituttet for Diagnostisk Medicinsk Radiologi ved Universitetshospitalet St. Pölten, KL Krems' undervisnings- og forskningsbase, har i mange år udviklet maskiner og deep learning metoder til at automatisere sådanne analyser og integrere dem i rutinemæssige kliniske operationer. Nu er endnu et gennembrud opnået.

"Patienter, hvis gliomceller bærer en muteret form af isocitrat dehydrogenase (IDH) genet, har faktisk bedre kliniske udsigter end dem med vildtypen," forklarer professor Andreas Stadlbauer, en medicinsk fysiker ved Central Institute. "Det betyder, at jo hurtigere vi kender mutationsstatus, jo bedre kan vi individualisere behandlingen." Forskelle i energiomsætningen af muterede og vildtype tumorer hjælper med dette. Takket være tidligere arbejde fra professor Stadlbauers team kan de let måles ved hjælp af physiometabolic MRI, selv uden vævsprøver. Dataanalyse og -evaluering er dog en meget kompleks og tidskrævende proces, som er svær at integrere i klinisk praksis, især fordi resultater er nødvendige hurtigt på grund af patienternes dårlige prognose.

I den aktuelle undersøgelse brugte teamet ML-metoder til at analysere og fortolke disse data for at få resultater hurtigere og være i stand til at igangsætte passende behandlingstrin. Men hvor nøjagtige er resultaterne? For at evaluere dette brugte undersøgelsen først data fra 182 patienter på University Hospital St. Pölten, hvis MR-data blev indsamlet ved hjælp af standardiserede protokoller.

"Da vi så evalueringsresultaterne af vores ML-algoritmer," forklarer professor Stadlbauer, "var vi meget glade. Vi opnåede en nøjagtighed på 91,7% og en nøjagtighed på 87,5% ved at skelne tumorer med genets vildtype fra dem med muteret form. Vi sammenlignede derefter disse værdier med ML-analyser af klassiske kliniske MR-data og var i stand til at vise, at brugen af fysiometaboliske MR-data som grundlag gav væsentligt bedre resultater."

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

Grunden til, at analyse af fysiometabolske MR-data ved hjælp af ML fungerede dårligere, er, at teknologien stadig er ung og i det eksperimentelle udviklingsstadium. Dataindsamlingsmetoder varierer stadig fra hospital til hospital, hvilket fører til bias i ML-analyse.

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

Undersøgelsesresultaterne blev offentliggjort i tidsskriftet Karl Landsteiner University of Health Sciences (KL Krems).