Pinapabuti ng machine learning ang maagang pagtuklas ng glioma mutations

Ang mga pamamaraan ng machine learning (ML) ay mabilis at tumpak na makakapag-diagnose ng mga mutasyon sa mga glioma, pangunahing mga tumor sa utak.

Ito ay sinusuportahan ng isang kamakailang pag-aaral na isinagawa ng Karl Landsteiner University of Medical Sciences (KL Krems). Sa pag-aaral na ito, nasuri ang data ng physiometabolic magnetic resonance imaging (MRI) gamit ang mga pamamaraan ng ML upang matukoy ang mga mutasyon sa isang metabolic gene. Ang mga mutasyon sa gene na ito ay may malaking epekto sa kurso ng sakit, at ang maagang pagsusuri ay mahalaga para sa paggamot. Ang pag-aaral ay nagpapakita rin na may kasalukuyang hindi naaayon na mga pamantayan para sa pagkuha ng physiometabolic MRI na mga imahe, na humahadlang sa regular na klinikal na paggamit ng pamamaraan.

Ang mga glioma ay ang pinakakaraniwang pangunahing mga tumor sa utak. Bagama't mahina pa rin ang kanilang pagbabala, ang mga personalized na therapy ay maaaring makabuluhang mapabuti ang tagumpay ng paggamot. Gayunpaman, ang paggamit ng naturang mga advanced na therapy ay umaasa sa indibidwal na data ng tumor, na mahirap makuha para sa mga glioma dahil sa kanilang lokasyon sa utak. Ang mga pamamaraan ng imaging tulad ng magnetic resonance imaging (MRI) ay maaaring magbigay ng naturang data, ngunit ang kanilang pagsusuri ay kumplikado, labor-intensive, at matagal. Ang Central Institute para sa Diagnostic Medical Radiology sa University Hospital St. Pölten, ang pagtuturo at pananaliksik na base ng KL Krems, ay bumubuo ng makina at malalim na mga pamamaraan ng pag-aaral sa loob ng maraming taon upang i-automate ang mga naturang pagsusuri at isama ang mga ito sa karaniwang mga klinikal na pamamaraan. Ngayon isa pang tagumpay ang nakamit.

"Ang mga pasyente na ang mga glioma cell ay nagdadala ng mutated form ng isocitrate dehydrogenase (IDH) gene ay talagang may mas mahusay na klinikal na pananaw kaysa sa mga may ligaw na uri," paliwanag ni Propesor Andreas Stadlbauer, isang medikal na pisiko sa Zentralinstitut. "Nangangahulugan ito na mas maaga nating nalalaman ang katayuan ng mutation, mas mahusay nating maisa-isa ang paggamot." Ang mga pagkakaiba sa metabolismo ng enerhiya ng mga mutated at wild-type na tumor ay nakakatulong dito. Salamat sa nakaraang trabaho ng koponan ni Propesor Stadlbauer, ang mga ito ay madaling masukat gamit ang physiometabolic MRI, kahit na walang mga sample ng tissue. Gayunpaman, ang pagsusuri at pagsusuri ng data ay isang napaka-kumplikado at matagal na proseso na mahirap isama sa klinikal na kasanayan, lalo na dahil ang mga resulta ay kinakailangan nang mabilis dahil sa mahinang pagbabala ng mga pasyente.

Sa kasalukuyang pag-aaral, gumamit ang koponan ng mga pamamaraan ng ML upang pag-aralan at bigyang-kahulugan ang data na ito upang makakuha ng mga resulta nang mas mabilis at makapagpasimula ng naaangkop na mga hakbang sa paggamot. Ngunit gaano katumpak ang mga resulta? Upang masuri ito, ang pag-aaral ay unang gumamit ng data mula sa 182 mga pasyente mula sa University Hospital St. Pölten, na ang data ng MRI ay nakolekta ayon sa mga standardized na protocol.

"Nang makita namin ang mga resulta ng aming mga algorithm ng ML," paliwanag ni Propesor Stadlbauer, "natutuwa kami. Nakamit namin ang katumpakan na 91.7% at isang katumpakan na 87.5% sa pagkilala sa pagitan ng mga tumor na may ligaw na uri ng gene at sa mga may mutated na anyo. Pagkatapos ay inihambing namin ang mga halagang ito sa mga pagsusuri sa ML ng isang makabuluhang klinikal na data ng MRI na ginamit bilang isang makabuluhang klinikal na data ng MRI at physiometabolic na batayan. mas magandang resulta."

Gayunpaman, ang superiority na ito ay gaganapin lamang kapag sinusuri ang data na nakolekta sa St. Pölten gamit ang isang standardized protocol. Hindi ito ang kaso noong ang paraan ng ML ay inilapat sa panlabas na data, ibig sabihin, ang data ng MRI mula sa iba pang mga database ng ospital. Sa sitwasyong ito, ang pamamaraan ng ML na sinanay sa klasikong data ng klinikal na MRI ay mas matagumpay.

Ang dahilan kung bakit ang pagsusuri ng ML ng physiometabolic MRI data ay nagpakita ng mas masahol na mga resulta ay ang teknolohiya ay bata pa at nasa pang-eksperimentong yugto ng pag-unlad. Ang mga paraan ng pagkolekta ng data ay nag-iiba pa rin sa bawat ospital, na humahantong sa mga bias sa pagsusuri sa ML.

Para sa siyentipiko, ang problema ay "lamang" sa standardisasyon, na hindi maiiwasang lalabas sa pagtaas ng paggamit ng physiometabolic MRI sa iba't ibang mga ospital. Ang pamamaraan mismo - mabilis na pagtatasa ng physiometabolic MRI data gamit ang mga pamamaraan ng ML - ay nagpakita ng mahusay na mga resulta. Samakatuwid, ito ay isang mahusay na diskarte para sa pagtukoy ng katayuan ng mutation ng IDH ng mga pasyente ng glioma bago ang operasyon at para sa pag-indibidwal ng mga opsyon sa paggamot.

Ang mga resulta ng pag-aaral ay na-publish sa journal Karl Landsteiner University of Health Sciences (KL Krems).