Maskininlärning förbättrar tidig upptäckt av gliommutationer

Maskininlärningsmetoder (ML) kan snabbt och noggrant diagnostisera mutationer i gliom, primära hjärntumörer.

Detta stöds av en nyligen genomförd studie utförd av Karl Landsteiner University of Medical Sciences (KL Krems). I denna studie analyserades fysiometabolisk magnetisk resonanstomografi (MRT)-data med hjälp av ML-metoder för att identifiera mutationer i en metabolisk gen. Mutationer i denna gen har en betydande inverkan på sjukdomsförloppet, och tidig diagnos är viktig för behandling. Studien visar också att det för närvarande finns inkonsekventa standarder för att erhålla fysiometaboliska MRT-bilder, vilket hindrar rutinmässig klinisk användning av metoden.

Gliom är de vanligaste primära hjärntumörerna. Även om deras prognos fortfarande är dålig kan personliga terapier avsevärt förbättra behandlingsframgången. Användningen av sådana avancerade terapier är dock beroende av individuella tumördata, vilket är svårt att få fram för gliom på grund av deras placering i hjärnan. Bildmetoder som magnetisk resonanstomografi (MRT) kan tillhandahålla sådan data, men deras analys är komplex, arbetsintensiv och tidskrävande. Centralinstitutet för diagnostisk medicinsk radiologi vid Universitetssjukhuset St. Pölten, undervisnings- och forskningsbasen för KL Krems, har i många år utvecklat maskin- och djupinlärningsmetoder för att automatisera sådana analyser och integrera dem i rutinmässiga kliniska procedurer. Nu har ytterligare ett genombrott uppnåtts.

”Patienter vars gliomceller bär en muterad form av isocitratdehydrogenasgenen (IDH) har faktiskt bättre kliniska utsikter än de med vildtypen”, förklarar professor Andreas Stadlbauer, medicinsk fysiker vid Zentralinstitut. ”Detta innebär att ju tidigare vi känner till mutationsstatusen, desto bättre kan vi individualisera behandlingen.” Skillnader i energimetabolismen hos muterade och vildtypstumörer bidrar till detta. Tack vare tidigare arbete av professor Stadlbauers team kan dessa enkelt mätas med hjälp av fysiometabolisk MRI, även utan vävnadsprover. Att analysera och utvärdera data är dock en mycket komplex och tidskrävande process som är svår att integrera i klinisk praxis, särskilt eftersom resultat behövs snabbt på grund av patienternas dåliga prognos.

I den aktuella studien använde teamet ML-metoder för att analysera och tolka dessa data för att få resultat snabbare och kunna initiera lämpliga behandlingssteg. Men hur exakta är resultaten? För att bedöma detta använde studien först data från 182 patienter från Universitetssjukhuset St. Pölten, vars MR-data samlades in enligt standardiserade protokoll.

”När vi såg resultaten av våra ML-algoritmer”, förklarar professor Stadlbauer, ”blev vi mycket nöjda. Vi uppnådde en noggrannhet på 91,7 % och en precision på 87,5 % när det gällde att skilja mellan tumörer med vildtypen av genen och de med den muterade formen. Vi jämförde sedan dessa värden med ML-analyser av klassiska kliniska MR-data och kunde visa att användningen av fysiometabola MR-data som grund gav signifikant bättre resultat.”

Denna överlägsenhet gällde dock endast vid analys av data som samlats in i St. Pölten med hjälp av ett standardiserat protokoll. Detta var inte fallet när ML-metoden tillämpades på externa data, dvs. MR-data från andra sjukhusdatabaser. I denna situation var ML-metoden som tränades på klassiska kliniska MR-data mer framgångsrik.

Anledningen till att ML-analysen av fysiometabola MRI-data visade sämre resultat är att tekniken fortfarande är ung och i ett experimentellt utvecklingsstadium. Datainsamlingsmetoderna varierar fortfarande från sjukhus till sjukhus, vilket leder till bias i ML-analysen.

För forskaren är problemet "bara" standardisering, vilket oundvikligen kommer att uppstå med den ökande användningen av fysiometabolisk MR på olika sjukhus. Själva metoden – snabb bedömning av fysiometaboliska MR-data med hjälp av ML-metoder – har visat utmärkta resultat. Därför är det en utmärkt metod för att fastställa IDH-mutationsstatus hos gliompatienter före operation och för att individualisera behandlingsalternativ.

Resultaten av studien publicerades i tidskriften Karl Landsteiner University of Health Sciences (KL Krems).