Koneoppiminen parantaa glioomamutaatioiden varhaista havaitsemista

Koneoppimismenetelmät (ML) voivat diagnosoida nopeasti ja tarkasti mutaatioita glioomissa, primaarisissa aivokasvaimissa.

Tätä tukee Karl Landsteinerin lääketieteellisen yliopiston (KL Krems) äskettäin tekemä tutkimus. Tässä tutkimuksessa analysoitiin fysiometabolisen magneettikuvauksen (MRI) tietoja ML-menetelmillä metabolisen geenin mutaatioiden tunnistamiseksi. Tämän geenin mutaatioilla on merkittävä vaikutus taudin kulkuun, ja varhainen diagnoosi on tärkeä hoidon kannalta. Tutkimus osoittaa myös, että fysiometabolisten MRI-kuvien saamiseksi on tällä hetkellä epäjohdonmukaisia standardeja, mikä haittaa menetelmän rutiininomaista kliinistä käyttöä.

Glioomat ovat yleisimmät primaariset aivokasvaimet. Vaikka niiden ennuste on edelleen huono, yksilölliset hoidot voivat parantaa hoidon onnistumista merkittävästi. Tällaisten edistyneiden hoitojen käyttö perustuu kuitenkin yksilöllisiin kasvaintietoihin, joita glioomien kohdalla on vaikea saada niiden sijainnin vuoksi aivoissa. Kuvantamismenetelmät, kuten magneettikuvaus (MRI), voivat tarjota tällaista tietoa, mutta sen analysointi on monimutkaista, työvoimavaltaista ja aikaa vievää. KL Kremsin opetus- ja tutkimuskeskuksena toimiva St. Pöltenin yliopistollisen sairaalan diagnostisen lääketieteellisen radiologian keskusinstituutti on kehittänyt kone- ja syväoppimismenetelmiä jo vuosia tällaisten analyysien automatisoimiseksi ja integroimiseksi rutiininomaisiin kliinisiin toimenpiteisiin. Nyt on saavutettu uusi läpimurto.

”Potilailla, joiden glioomasoluissa on mutatoitunut isositraattidehydrogenaasi (IDH) -geeni, on itse asiassa parempi kliininen ennuste kuin niillä, joilla on villin tyypin geeni”, selittää professori Andreas Stadlbauer, lääketieteellinen fyysikko Zentralinstitutista. ”Tämä tarkoittaa, että mitä aikaisemmin tiedämme mutaatiostatuksen, sitä paremmin voimme yksilöllistää hoitoa.” Mutatoituneiden ja villin tyypin kasvainten energiametabolian erot auttavat tässä. Professori Stadlbauerin ryhmän aiemman työn ansiosta näitä voidaan helposti mitata fysiometabolisella magneettikuvauksella, jopa ilman kudosnäytteitä. Tietojen analysointi ja arviointi on kuitenkin erittäin monimutkainen ja aikaa vievä prosessi, jota on vaikea integroida kliiniseen käytäntöön, varsinkin kun tuloksia tarvitaan nopeasti potilaiden huonon ennusteen vuoksi.

Nykyisessä tutkimuksessa tiimi käytti koneoppimismenetelmiä näiden tietojen analysointiin ja tulkintaan, jotta tuloksia saataisiin nopeammin ja voitaisiin aloittaa asianmukaiset hoitovaiheet. Mutta kuinka tarkkoja tulokset ovat? Tämän arvioimiseksi tutkimuksessa käytettiin ensin tietoja 182 potilaalta St. Pöltenin yliopistollisesta sairaalasta, joiden magneettikuvaustiedot kerättiin standardoitujen protokollien mukaisesti.

”Kun näimme koneoppimisalgoritmiemme tulokset”, professori Stadlbauer selittää, ”olimme erittäin tyytyväisiä. Saavutimme 91,7 %:n tarkkuuden ja 87,5 %:n tarkkuuden erottaessamme kasvaimet, joissa oli geenin villi tyyppi, ja kasvaimet, joissa oli mutatoitunut muoto. Sitten vertasimme näitä arvoja klassisen kliinisen magneettikuvauksen ML-analyyseihin ja pystyimme osoittamaan, että fysiometabolisen magneettikuvauksen käyttäminen pohjana antoi merkittävästi parempia tuloksia.”

Tämä paremmuus päti kuitenkin vain analysoitaessa St. Pöltenissä kerättyä dataa standardoidulla protokollalla. Näin ei ollut, kun koneoppimismenetelmää sovellettiin ulkoiseen dataan, eli muiden sairaaloiden tietokannoista peräisin olevaan MRI-dataan. Tässä tilanteessa klassisella kliinisellä MRI-datalla koulutettu koneoppimismenetelmä oli menestyksekkäämpi.

Syy siihen, miksi fysiometabolisen MRI-datan koneoppimisanalyysi antoi huonompia tuloksia, on se, että teknologia on vielä nuori ja kokeellisessa kehitysvaiheessa. Tiedonkeruumenetelmät vaihtelevat edelleen sairaaloista toiseen, mikä johtaa virheisiin koneoppimisanalyysissä.

Tieteilijälle ongelma on "vain" standardointi, joka väistämättä ilmenee fysiometabolisen magneettikuvauksen käytön lisääntyessä eri sairaaloissa. Itse menetelmä – fysiometabolisen magneettikuvauksen nopea arviointi koneoppismenetelmillä – on osoittanut erinomaisia tuloksia. Siksi se on erinomainen lähestymistapa glioomapotilaiden IDH-mutaatiostatuksen määrittämiseen ennen leikkausta ja hoitovaihtoehtojen yksilöllistämiseen.

Tutkimuksen tulokset julkaistiin Karl Landsteiner University of Health Sciences (KL Krems) -lehdessä.