Mašininis mokymasis pagerina ankstyvą gliomos mutacijų nustatymą

Mašininio mokymosi (ML) metodai gali greitai ir tiksliai diagnozuoti gliomų, pirminių smegenų auglių, mutacijas.

Tai patvirtina neseniai Karlo Landsteinerio medicinos mokslų universiteto (KL Krems) atliktas tyrimas. Šiame tyrime, naudojant ML metodus, buvo analizuojami fiziometabolinio magnetinio rezonanso tomografijos (MRT) duomenys, siekiant nustatyti metabolinio geno mutacijas. Šio geno mutacijos daro didelę įtaką ligos eigai, o ankstyva diagnozė yra svarbi gydymui. Tyrimas taip pat rodo, kad šiuo metu yra nenuoseklūs fiziometabolinio MRT vaizdų gavimo standartai, o tai trukdo įprastam klinikiniam metodo naudojimui.

Gliomos yra dažniausiai pasitaikantys pirminiai smegenų augliai. Nors jų prognozė vis dar prasta, individualizuota terapija gali žymiai pagerinti gydymo sėkmę. Tačiau tokių pažangių gydymo būdų taikymas priklauso nuo individualių navikų duomenų, kuriuos gliomų atveju sunku gauti dėl jų lokalizacijos smegenyse. Vaizdavimo metodai, tokie kaip magnetinio rezonanso tomografija (MRT), gali suteikti tokių duomenų, tačiau jų analizė yra sudėtinga, reikalaujanti daug darbo ir laiko. Centrinis diagnostinės medicininės radiologijos institutas prie St. Pölteno universitetinės ligoninės, KL Krems mokymo ir tyrimų bazė, daugelį metų kuria mašininio ir gilaus mokymosi metodus, skirtus automatizuoti tokias analizes ir integruoti jas į įprastas klinikines procedūras. Dabar pasiektas dar vienas proveržis.

„Pacientų, kurių gliomos ląstelės turi mutavusią izocitrato dehidrogenazės (IDH) geno formą, klinikinė perspektyva iš tikrųjų yra geresnė nei tų, kurių gliomos ląstelės turi laukinio tipo geno kodą“, – aiškina Centrinio instituto medicinos fizikas profesorius Andreas Stadlbauer. „Tai reiškia, kad kuo anksčiau sužinome mutacijos būseną, tuo geriau galime individualizuoti gydymą.“ Tai padeda mutavusių ir laukinio tipo navikų energijos apykaitos skirtumai. Dėl ankstesnių profesoriaus Stadlbauer komandos darbų šiuos pokyčius galima lengvai išmatuoti naudojant fiziometabolinį MRT, net ir neturint audinių mėginių. Tačiau duomenų analizė ir vertinimas yra labai sudėtingas ir daug laiko reikalaujantis procesas, kurį sunku integruoti į klinikinę praktiką, ypač todėl, kad dėl prastos pacientų prognozės rezultatų reikia greitai.

Šiame tyrime komanda naudojo mašininio lavinimo (ML) metodus šiems duomenims analizuoti ir interpretuoti, kad greičiau gautų rezultatus ir galėtų pradėti tinkamus gydymo veiksmus. Tačiau kiek tikslūs yra šie rezultatai? Norint tai įvertinti, tyrime pirmiausia buvo panaudoti 182 pacientų iš Šv. Pelteno universitetinės ligoninės duomenys, kurių MRT duomenys buvo surinkti pagal standartizuotus protokolus.

„Kai pamatėme savo ML algoritmų rezultatus, – aiškina profesorius Stadlbaueris, – buvome labai patenkinti. Pasiekėme 91,7 % tikslumą ir 87,5 % tikslumą atskirdami navikus su laukiniu geno tipu ir tuos, kuriuose yra mutavusi forma. Tada šias vertes palyginome su klasikinių klinikinių MRT duomenų ML analize ir galėjome parodyti, kad naudojant fiziometabolinius MRT duomenis kaip pagrindą, gauti žymiai geresni rezultatai.“

Tačiau šis pranašumas pasitvirtino tik analizuojant Sankt Peltene surinktus duomenis naudojant standartizuotą protokolą. Taip nebuvo, kai ML metodas buvo taikomas išoriniams duomenims, t. y. MRT duomenims iš kitų ligoninių duomenų bazių. Šioje situacijoje ML metodas, apmokytas su klasikiniais klinikiniais MRT duomenimis, buvo sėkmingesnis.

Priežastis, kodėl fiziometabolinių MRT duomenų ML analizė parodė blogesnius rezultatus, yra ta, kad technologija vis dar yra nauja ir eksperimentinės plėtros stadijoje. Duomenų rinkimo metodai vis dar skiriasi priklausomai nuo ligoninės, todėl ML analizėje atsiranda šališkumo.

Mokslininkui problema yra „tik“ standartizacijos, kuri neišvengiamai iškils vis dažniau naudojant fiziometabolinį MRT skirtingose ligoninėse. Pats metodas – greitas fiziometabolinio MRT duomenų įvertinimas naudojant ML metodus – parodė puikius rezultatus. Todėl tai puikus būdas nustatyti gliomos pacientų IDH mutacijos būseną prieš operaciją ir individualizuoti gydymo galimybes.

Tyrimo rezultatai buvo paskelbti žurnale „Karl Landsteiner University of Health Sciences“ (KL Krems).