Pinapabuti ng machine learning ang maagang pagtuklas ng glioma mutations

Mabilis at tumpak na matukoy ng mga pamamaraan ng machine learning (ML) ang mga mutasyon sa gliomas - mga pangunahing tumor sa utak.

Ito ay kinumpirma 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. Ipinapakita rin ng pag-aaral na may kasalukuyang hindi tugmang mga pamantayan para sa pagkuha ng mga physiometabolic MR na imahe, na humahadlang sa nakagawiang klinikal na paggamit ng pamamaraan.

Ang mga glioma ay ang pinakakaraniwang pangunahing mga tumor sa utak. Sa kabila ng mahinang 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 diskarte sa imaging gaya ng Magnetic resonance imaging (MRI) ay maaaring magbigay ng ganoong data, ngunit ang kanilang pagsusuri ay kumplikado, matrabaho, at matagal. Ang Central Institute para sa Diagnostic Medical Radiology sa University Hospital St. Pölten, ang pagtuturo at research base ng KL Krems, ay bumuo ng machine at deep learning na mga pamamaraan sa loob ng maraming taon upang i-automate ang mga naturang pagsusuri at isama ang mga ito sa mga regular na klinikal na operasyon. Ngayon ay 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 magandang klinikal na prospect kaysa sa mga may wild type," paliwanag ni Professor Andreas Stadlbauer, isang medical physicist sa Central Institute. "Nangangahulugan ito na mas maaga nating nalalaman ang katayuan ng mutation, mas mahusay na maaari nating isapersonal 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, madali silang masusukat gamit ang physiometabolic MRI, kahit na walang mga sample ng tissue. Gayunpaman, ang pagsusuri at pagsusuri ng data ay isang napakasalimuot at matagal na proseso na mahirap isama sa klinikal na kasanayan, lalo na dahil mabilis na kailangan ang mga resulta dahil sa hindi magandang prognosis ng mga pasyente.

Sa kasalukuyang pag-aaral, gumamit ang team ng mga pamamaraan ng ML para pag-aralan at bigyang-kahulugan ang data na ito para mas mabilis na makakuha ng mga resulta at makapagsimula ng naaangkop na mga hakbang sa paggamot. Ngunit gaano katumpak ang mga resulta? Upang suriin ito, ginamit muna ng pag-aaral ang data mula sa 182 mga pasyente sa University Hospital St. Pölten, na ang data ng MRI ay nakolekta gamit ang mga standardized na protocol.

"Nang makita namin ang mga resulta ng pagsusuri ng aming mga ML algorithm," paliwanag ni Propesor Stadlbauer, "natutuwa kami. Nakamit namin ang isang katumpakan ng 91.7% at isang katumpakan ng 87.5% sa pagkilala sa mga tumor na may gene wild type mula sa mga may mutated form. Pagkatapos ay inihambing namin ang mga halagang ito sa mga pagsusuri sa ML ng klasikal na klinikal na data ng MRI at naipakita namin na ang paggamit ng physiometabolic MRI data bilang batayan ay nagbunga ng mas mahusay na mga resulta."

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

Ang dahilan kung bakit ang pagsusuri ng physiometabolic MRI data gamit ang ML ay gumanap nang mas malala dahil ang teknolohiya ay bata pa at nasa pang-eksperimentong yugto ng pag-unlad. Nag-iiba pa rin ang mga paraan ng pangongolekta ng data sa bawat ospital, na humahantong sa bias sa pagsusuri sa ML.

Para sa siyentipiko, ang problema ay "lamang" ang standardisasyon na hindi maiiwasang lalabas sa pagtaas ng paggamit ng physiometabolic MRI sa iba't ibang mga ospital. Ang mismong pamamaraan—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 upang matukoy ang katayuan ng mutation ng IDH sa mga pasyente ng glioma bago ang operasyon at upang i-indibidwal ang mga opsyon sa paggamot.

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