Koneoppiminen parantaa glioomamutaatioiden varhaista havaitsemista
Viimeksi tarkistettu: 14.06.2024
Kaikki iLive-sisältö tarkistetaan lääketieteellisesti tai se tarkistetaan tosiasiallisen tarkkuuden varmistamiseksi.
Meillä on tiukat hankintaohjeet ja vain linkki hyvämaineisiin mediasivustoihin, akateemisiin tutkimuslaitoksiin ja mahdollisuuksien mukaan lääketieteellisesti vertaisarvioituihin tutkimuksiin. Huomaa, että suluissa ([1], [2] jne.) Olevat numerot ovat napsautettavia linkkejä näihin tutkimuksiin.
Jos sinusta tuntuu, että jokin sisältö on virheellinen, vanhentunut tai muuten kyseenalainen, valitse se ja paina Ctrl + Enter.
Koneoppimismenetelmillä (ML) voidaan nopeasti ja tarkasti diagnosoida mutaatiot glioomissa eli primaarisissa aivokasvamissa.
Tämä vahvistaa äskettäin Karl Landsteinerin lääketieteellisen yliopiston (KL Krems) tekemä tutkimus. Tässä tutkimuksessa fysiometabolisen magneettikuvauksen (MRI) tiedot analysoitiin käyttämällä ML-menetelmiä metabolisen geenin mutaatioiden tunnistamiseksi. Tämän geenin mutaatioilla on merkittävä vaikutus taudin etenemiseen, ja varhainen diagnoosi on tärkeää hoidon kannalta. Tutkimus osoittaa myös, että fysiometabolisten MR-kuvien saamiseksi on tällä hetkellä epäjohdonmukaisia standardeja, mikä estää menetelmän rutiininomaisen kliinisen käytön.
Glioomat ovat yleisimmät primaariset aivokasvaimet. Huolimatta edelleen huonosta ennusteesta, yksilölliset hoidot voivat parantaa merkittävästi hoidon onnistumista. Tällaisten kehittyneiden hoitojen käyttö perustuu kuitenkin yksittäisiin kasvaintietoihin, joita on vaikea saada glioomien osalta niiden sijainnin vuoksi aivoissa. Kuvaustekniikat, kuten magneettikuvaus (MRI), voivat tuottaa tällaista tietoa, mutta niiden analysointi on monimutkaista, työvoimavaltaista ja aikaa vievää. KL Kremsin opetus- ja tutkimuspohja, St. Pöltenin yliopistollisen sairaalan diagnostisen lääketieteellisen radiologian keskusinstituutti on kehittänyt kone- ja syväoppimismenetelmiä useiden vuosien ajan tällaisten analyysien automatisoimiseksi ja integroimiseksi rutiininomaisiin kliinisiin toimintoihin. Nyt on saavutettu uusi läpimurto.
"Potilailla, joiden glioomasoluissa on mutatoitunut muoto isositraattidehydrogenaasigeenistä (IDH), on itse asiassa paremmat kliiniset näkymät kuin villityypin potilailla", selittää professori Andreas Stadlbauer, lääketieteen fyysikko Central Institutesta. "Tämä tarkoittaa, että mitä nopeammin tiedämme mutaatiostatuksen, sitä paremmin voimme yksilöidä hoidon." Erot mutatoituneiden ja villityyppisten kasvainten energia-aineenvaihdunnassa auttavat tässä. Professori Stadlbauerin tiimin aiemman työn ansiosta ne voidaan helposti mitata fysiometabolisella MRI:llä jopa ilman kudosnäytteitä. Tietojen analysointi ja arviointi on kuitenkin erittäin monimutkainen ja aikaa vievä prosessi, jota on vaikea integroida kliiniseen käytäntöön, etenkin koska tuloksia tarvitaan nopeasti potilaiden huonon ennusteen vuoksi.
Nykyisessä tutkimuksessa ryhmä käytti ML-menetelmiä tietojen analysoimiseen ja tulkitsemiseen saadakseen tuloksia nopeammin ja aloittaakseen asianmukaisia hoitovaiheita. Mutta kuinka tarkkoja tulokset ovat? Tämän arvioimiseksi tutkimuksessa käytettiin ensin tietoja 182 potilaalta St. Pöltenin yliopistollisesta sairaalasta, joiden MRI-tiedot kerättiin standardoitujen protokollien avulla.
"Kun näimme ML-algoritmiemme arviointitulokset", professori Stadlbauer selittää, "olimme erittäin tyytyväisiä. Saimme 91,7 %:n tarkkuuden ja 87,5 %:n tarkkuuden erottaessamme kasvaimet, joissa on villityypin geeni, niistä, joilla on mutatoitunut muoto. Sitten vertasimme näitä arvoja klassisten kliinisten MRI-tietojen ML-analyyseihin ja pystyimme osoittamaan, että fysiometabolisten MRI-tietojen käyttäminen perustana tuotti merkittävästi parempia tuloksia."
Tämä ylivoima säilyi kuitenkin vain analysoitaessa St. Pöltenissä kerättyä tietoa standardoitua protokollaa käyttäen. Näin ei ollut silloin, kun ML-menetelmää sovellettiin ulkoiseen dataan eli muiden sairaalatietokantojen MRI-tietoihin. Tässä tilanteessa klassiseen kliiniseen MRI-tietoon koulutettu ML-menetelmä oli menestyneempi.
Syy siihen, miksi fysiometabolisten MRI-tietojen analysointi ML:llä oli huonompi, johtuu siitä, että tekniikka on vielä nuori ja kokeellisessa kehitysvaiheessa. Tiedonkeruumenetelmät vaihtelevat edelleen sairaalasta toiseen, mikä johtaa harhaan ML-analyysissä.
Tutkijan kannalta ongelmana on "vain" standardointi, joka väistämättä syntyy fysiometabolisen MRI:n käytön lisääntyessä eri sairaaloissa. Itse menetelmä – fysiometabolisten MRI-tietojen nopea arviointi ML-menetelmillä – on osoittanut erinomaisia tuloksia. Siksi tämä on erinomainen tapa määrittää IDH-mutaatiostatus glioomapotilailla ennen leikkausta ja yksilöidä hoitovaihtoehtoja.
Tutkimuksen tulokset julkaistiin Karl Landsteiner University of Health Sciences -lehdessä (KL Krems).