Maskinlæring forbedrer tidlig påvisning av gliommutasjoner

Maskinlæringsmetoder (ML) kan raskt og nøyaktig diagnostisere mutasjoner i gliomer, primære hjernesvulster.

Dette støttes av en nylig studie utført av Karl Landsteiner University of Medical Sciences (KL Krems). I denne studien ble fysiometabolsk magnetisk resonansavbildning (MR)-data analysert ved hjelp av ML-metoder for å identifisere mutasjoner i et metabolsk gen. Mutasjoner i dette genet har en betydelig innvirkning på sykdomsforløpet, og tidlig diagnose er viktig for behandling. Studien viser også at det for tiden finnes inkonsekvente standarder for å innhente fysiometabolske MR-bilder, noe som hindrer rutinemessig klinisk bruk av metoden.

Gliomer er de vanligste primære hjernesvulstene. Selv om prognosen fortsatt er dårlig, kan personlig tilpassede terapier forbedre behandlingssuksessen betydelig. Bruken av slike avanserte terapier er imidlertid avhengig av individuelle tumordata, som er vanskelig å få tak i for gliomer på grunn av deres plassering i hjernen. Avbildningsmetoder som magnetisk resonansavbildning (MR) kan gi slike data, men analysen av dem er kompleks, arbeidskrevende og tidkrevende. Sentralinstituttet for diagnostisk medisinsk radiologi ved Universitetssykehuset St. Pölten, undervisnings- og forskningsbasen til KL Krems, har i mange år utviklet maskin- og dyplæringsmetoder for å automatisere slike analyser og integrere dem i rutinemessige kliniske prosedyrer. Nå er et nytt gjennombrudd oppnådd.

«Pasienter med gliomceller som bærer en mutert form av isocitratdehydrogenase (IDH)-genet, har faktisk bedre kliniske utsikter enn de med villtypen», forklarer professor Andreas Stadlbauer, medisinsk fysiker ved Zentralinstitut. «Dette betyr at jo tidligere vi vet mutasjonsstatusen, desto bedre kan vi individualisere behandlingen.» Forskjeller i energimetabolismen til muterte og villtypesvulster bidrar til dette. Takket være tidligere arbeid fra professor Stadlbauers team, kan disse enkelt måles ved hjelp av fysiometabolsk MR, selv uten vevsprøver. Å analysere og evaluere dataene er imidlertid en svært kompleks og tidkrevende prosess som er vanskelig å integrere i klinisk praksis, spesielt siden resultatene er nødvendige raskt på grunn av pasientenes dårlige prognose.

I den nåværende studien brukte teamet maskinlæringsmetoder for å analysere og tolke disse dataene for å oppnå resultater raskere og kunne iverksette passende behandlingstrinn. Men hvor nøyaktige er resultatene? For å vurdere dette brukte studien først data fra 182 pasienter fra Universitetssykehuset St. Pölten, hvis MR-data ble samlet inn i henhold til standardiserte protokoller.

«Da vi så resultatene av våre ML-algoritmer», forklarer professor Stadlbauer, «var vi svært fornøyde. Vi oppnådde en nøyaktighet på 91,7 % og en presisjon på 87,5 % i å skille mellom svulster med villtypen av genet og de med den muterte formen. Vi sammenlignet deretter disse verdiene med ML-analyser av klassiske kliniske MR-data og kunne vise at bruk av fysiometabolske MR-data som grunnlag ga betydelig bedre resultater.»

Denne overlegenheten holdt imidlertid bare ved analyse av data samlet inn i St. Pölten ved hjelp av en standardisert protokoll. Dette var ikke tilfelle da ML-metoden ble brukt på eksterne data, dvs. MR-data fra andre sykehusdatabaser. I denne situasjonen var ML-metoden trent på klassiske kliniske MR-data mer vellykket.

Grunnen til at ML-analysen av fysiometabolske MR-data viste dårligere resultater, er at teknologien fortsatt er ung og i den eksperimentelle utviklingsfasen. Datainnsamlingsmetodene varierer fortsatt fra sykehus til sykehus, noe som fører til skjevheter i ML-analysen.

For forskeren er problemet «bare» standardisering, noe som uunngåelig vil oppstå med den økende bruken av fysiometabolsk MR på forskjellige sykehus. Selve metoden – rask vurdering av fysiometabolske MR-data ved bruk av ML-metoder – har vist utmerkede resultater. Derfor er det en utmerket tilnærming for å bestemme IDH-mutasjonsstatus hos gliompasienter før kirurgi og for å individualisere behandlingsalternativer.

Resultatene av studien ble publisert i tidsskriftet Karl Landsteiner University of Health Sciences (KL Krems).