Masinõpe parandab glioomimutatsioonide varajast avastamist

Masinõppe (ML) meetodid võimaldavad kiiresti ja täpselt diagnoosida glioomide – primaarsete ajukasvajate – mutatsioone.

Seda kinnitab Karl Landsteineri meditsiiniteaduste ülikooli (KL Krems) hiljutine uuring. Selles uuringus analüüsiti füsiometaboolse magnetresonantstomograafia (MRI) andmeid metaboolse geeni mutatsioonide tuvastamiseks ML-meetoditega. Selle geeni mutatsioonid mõjutavad oluliselt haiguse kulgu ja ravi jaoks on oluline varajane diagnoosimine. Uuring näitab ka, et praegu kehtivad füsiometaboolsete MR-piltide saamise standardid ebajärjekindlalt, mis takistab meetodi tavapärast kliinilist kasutamist.

Glioomid on kõige levinumad primaarsed ajukasvajad. Vaatamata endiselt halvale prognoosile võivad isikupärastatud ravid oluliselt parandada ravi edukust. Kuid selliste täiustatud ravimeetodite kasutamine põhineb individuaalsetel kasvajaandmetel, mida on glioomide puhul raske saada nende asukoha tõttu ajus. Selliseid andmeid võivad anda pilditehnikad, nagu magnetresonantstomograafia (MRI), kuid nende analüüs on keeruline, töömahukas ja aeganõudev. KL Kremsi õppe- ja uurimisbaas, St. Pölteni Ülikooli Kliinikumi Diagnostilise Meditsiinilise Radioloogia Keskinstituut on aastaid arendanud masin- ja süvaõppe meetodeid selliste analüüside automatiseerimiseks ja rutiinsetesse kliinilistesse operatsioonidesse integreerimiseks. Nüüd on saavutatud järjekordne läbimurre.

"Patsientidel, kelle glioomirakud kannavad isotsitraatdehüdrogenaasi (IDH) geeni muteerunud vormi, on tegelikult paremad kliinilised väljavaated kui metsikut tüüpi patsientidel," selgitab Keskinstituudi meditsiinifüüsik professor Andreas Stadlbauer. "See tähendab, et mida varem me teame mutatsiooni staatust, seda paremini saame ravi individualiseerida." Sellele aitavad kaasa muteerunud ja metsiktüüpi kasvajate energia metabolismi erinevused. Tänu professor Stadlbaueri meeskonna varasemale tööle saab neid füsiometaboolse MRI abil hõlpsasti mõõta isegi ilma koeproovideta. Andmete analüüs 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 ML-meetodeid, et saada kiiremini tulemusi ja alustada sobivaid ravietappe. Aga kui täpsed on tulemused? Selle hindamiseks kasutati uuringus esmalt St. Pölteni ülikooli haigla 182 patsiendi andmeid, kelle MRI andmed koguti standardsete protokollide abil.

"Kui nägime oma ML-algoritmide hindamistulemusi," selgitab professor Stadlbauer, "olime väga rahul. Metsiktüüpi geeniga kasvajate ja muteerunud vormiga kasvajate eristamisel saavutasime 91,7% täpsuse ja 87,5% täpsuse. Seejärel võrdlesime neid väärtusi klassikaliste kliiniliste MRI andmete ML-analüüsidega ja suutsime näidata, et füsiometaboolsete MRI andmete kasutamine andis oluliselt paremaid tulemusi."

Siiski säilis see paremus vaid siis, kui analüüsiti St. Pöltenis kogutud andmeid standardse protokolli abil. See ei kehtinud juhul, kui ML-meetodit rakendati välisandmetele, st teiste haiglate andmebaaside MRI andmetele. Selles olukorras oli klassikaliste kliiniliste MRI andmete põhjal treenitud ML-meetod edukam.

Põhjus, miks füsio-metaboolsete MRI andmete analüüs ML abil halvenes, on see, et tehnoloogia on veel noor ja alles katsefaasis. Andmete kogumise meetodid on haiglati endiselt erinevad, mis põhjustab ML-analüüsi erapoolikust.

Teadlase jaoks on probleemiks "ainult" standardimine, mis paratamatult tekib füsiometaboolse MRI üha suureneva kasutamisega erinevates haiglates. Meetod ise - füsiometaboolsete MRI andmete kiire hindamine ML-meetodite abil - on näidanud suurepäraseid tulemusi. Seetõttu on see suurepärane lähenemisviis glioomipatsientide IDH mutatsiooni staatuse määramiseks enne operatsiooni ja ravivõimaluste individualiseerimiseks.

Uuringu tulemused avaldati ajakirjas Karl Landsteiner University of Health Sciences (KL Krems).