Masinõpe parandab glioomi mutatsioonide varajast avastamist

Masinõppe (ML) meetodid suudavad kiiresti ja täpselt diagnoosida mutatsioone glioomides, primaarsetes ajukasvajates.

Seda toetab Karl Landsteineri Meditsiiniteaduste Ülikooli (KL Krems) hiljutine uuring. Selles uuringus analüüsiti füsiometaboolse magnetresonantstomograafia (MRI) andmeid ML-meetodite abil, et tuvastada metaboolse geeni mutatsioone. Selle geeni mutatsioonidel on oluline mõju haiguse kulgemisele ja varajane diagnoosimine on ravi seisukohalt oluline. Uuring näitab ka, et füsiometaboolsete MRI-piltide saamiseks on praegu ebajärjekindlad standardid, mis takistab meetodi rutiinset kliinilist kasutamist.

Glioom on kõige levinum primaarne ajukasvaja. Kuigi nende prognoos on endiselt halb, võivad personaalsed ravimeetodid ravi edukust oluliselt parandada. Selliste täiustatud ravimeetodite kasutamine tugineb aga individuaalsetele kasvajaandmetele, mida on glioomide puhul nende asukoha tõttu ajus keeruline saada. Kujutiselised meetodid, näiteks magnetresonantstomograafia (MRI), võivad selliseid andmeid anda, kuid nende analüüs on keeruline, töömahukas ja aeganõudev. KL Kremsi õppe- ja teadusbaas, St. Pölteni Ülikooli Haigla Diagnostilise Meditsiinilise Radioloogia Keskinstituut, on aastaid arendanud masin- ja süvaõppe meetodeid selliste analüüside automatiseerimiseks ja integreerimiseks tavapärastesse kliinilistesse protseduuridesse. Nüüd on saavutatud järjekordne läbimurre.

„Patsientidel, kelle glioomirakud kannavad isotsitraatdehüdrogenaasi (IDH) geeni muteerunud vormi, on tegelikult parem kliiniline väljavaade kui neil, kellel on metsiktüüp,“ selgitab Zentralinstituti meditsiinifüüsik professor Andreas Stadlbauer. „See tähendab, et mida varem me mutatsiooni staatust teame, seda paremini saame ravi individuaalselt kohandada.“ Selles aitavad kaasa muteerunud ja metsiktüüpi kasvajate energiametabolismi erinevused. Tänu professor Stadlbaueri meeskonna varasemale tööle saab neid hõlpsasti mõõta füsiometaboolse magnetresonantstomograafia abil, isegi ilma koeproovideta. Andmete analüüsimine ja hindamine on aga väga keeruline ja aeganõudev protsess, mida on raske kliinilisse praktikasse integreerida, eriti kuna patsientide halva prognoosi tõttu on tulemusi vaja kiiresti.

Käesolevas uuringus kasutas meeskond nende andmete analüüsimiseks ja tõlgendamiseks masinõppe meetodeid, et saada tulemusi kiiremini ja alustada sobivaid ravisamme. Aga kui täpsed on tulemused? Selle hindamiseks kasutati uuringus esmalt 182 patsiendi andmeid St. Pölteni Ülikooli Haiglast, kelle magnetresonantstomograafia andmed koguti standardiseeritud protokollide kohaselt.

„Kui me nägime oma masinõppe algoritmide tulemusi,“ selgitab professor Stadlbauer, „olime väga rahul. Saavutasime 91,7% täpsuse ja 87,5% täpsuse geeni metsiktüübi ja muteerunud vormiga kasvajate eristamisel. Seejärel võrdlesime neid väärtusi klassikaliste kliiniliste magnetresonantstomograafia andmete masinõppe analüüsidega ja suutsime näidata, et füsiometaboolsete magnetresonantstomograafia andmete kasutamine alusena andis oluliselt paremaid tulemusi.“

See paremus kehtis aga ainult St. Pöltenis kogutud andmete analüüsimisel standardiseeritud protokolli abil. See ei kehtinud aga siis, kui masinõppe meetodit rakendati välistele andmetele, st teiste haiglate andmebaasidest pärit MRI-andmetele. Selles olukorras oli klassikalistel kliinilistel MRI-andmetel treenitud masinõppe meetod edukam.

Põhjus, miks füsiometaboolse magnetresonantstomograafia andmete masinõppe analüüs näitas halvemaid tulemusi, on see, et tehnoloogia on alles noor ja eksperimentaalses arendusjärgus. Andmete kogumise meetodid on haiglati endiselt erinevad, mis põhjustab masinõppe analüüsis kallutatusi.

Teadlase jaoks on probleem "ainult" standardiseerimises, mis tekib paratamatult füsiometaboolse MRI kasutamise sagenemisega erinevates haiglates. Meetod ise - füsiometaboolse MRI andmete kiire hindamine ML-meetodite abil - on näidanud suurepäraseid tulemusi. Seega on see suurepärane lähenemisviis glioomipatsientide IDH mutatsiooni staatuse määramiseks enne operatsiooni ja ravivõimaluste individualiseerimiseks.

Uuringu tulemused avaldati ajakirjas Karl Landsteineri Terviseteaduste Ülikool (KL Krems).