Η μηχανική μάθηση βελτιώνει την έγκαιρη ανίχνευση μεταλλάξεων γλοιώματος
Τελευταία επισκόπηση: 14.06.2024
Όλα τα περιεχόμενα του iLive ελέγχονται ιατρικά ή ελέγχονται για να διασφαλιστεί η όσο το δυνατόν ακριβέστερη ακρίβεια.
Έχουμε αυστηρές κατευθυντήριες γραμμές προμήθειας και συνδέουμε μόνο με αξιόπιστους δικτυακούς τόπους πολυμέσων, ακαδημαϊκά ερευνητικά ιδρύματα και, όπου είναι δυνατόν, ιατρικά επισκοπικά μελέτες. Σημειώστε ότι οι αριθμοί στις παρενθέσεις ([1], [2], κλπ.) Είναι σύνδεσμοι με τις οποίες μπορείτε να κάνετε κλικ σε αυτές τις μελέτες.
Εάν πιστεύετε ότι κάποιο από το περιεχόμενό μας είναι ανακριβές, παρωχημένο ή αμφισβητήσιμο, παρακαλώ επιλέξτε το και πατήστε Ctrl + Enter.
Οι μέθοδοι μηχανικής μάθησης (ML) μπορούν να διαγνώσουν γρήγορα και με ακρίβεια μεταλλάξεις σε γλοιώματα - πρωτογενείς όγκους εγκεφάλου.
Αυτό επιβεβαιώνεται από μια πρόσφατη μελέτη που διεξήχθη από το Πανεπιστήμιο Ιατρικών Επιστημών Karl Landsteiner (KL Krems). Σε αυτή τη μελέτη, τα δεδομένα φυσιομεταβολικής μαγνητικής τομογραφίας (MRI) αναλύθηκαν χρησιμοποιώντας μεθόδους ML για τον εντοπισμό μεταλλάξεων σε ένα μεταβολικό γονίδιο. Οι μεταλλάξεις σε αυτό το γονίδιο έχουν σημαντικό αντίκτυπο στην πορεία της νόσου και η έγκαιρη διάγνωση είναι σημαντική για τη θεραπεία. Η μελέτη δείχνει επίσης ότι υπάρχουν επί του παρόντος ασυνεπή πρότυπα για τη λήψη εικόνων φυσικομεταβολικής μαγνητικής τομογραφίας, γεγονός που εμποδίζει τη συνήθη κλινική χρήση της μεθόδου.
Τα γλοιώματα είναι οι πιο συχνοί πρωτοπαθείς όγκοι του εγκεφάλου. Παρά την ακόμα κακή πρόγνωση, οι εξατομικευμένες θεραπείες μπορούν να βελτιώσουν σημαντικά την επιτυχία της θεραπείας. Ωστόσο, η χρήση τέτοιων προηγμένων θεραπειών βασίζεται σε μεμονωμένα δεδομένα όγκου, τα οποία είναι δύσκολο να ληφθούν για τα γλοιώματα λόγω της θέσης τους στον εγκέφαλο. Οι τεχνικές απεικόνισης όπως η Απεικόνιση μαγνητικού συντονισμού (MRI) μπορούν να παρέχουν τέτοια δεδομένα, αλλά η ανάλυσή τους είναι πολύπλοκη, εντατική και χρονοβόρα. Το Κεντρικό Ινστιτούτο Διαγνωστικής Ιατρικής Ακτινολογίας στο Πανεπιστημιακό Νοσοκομείο St. Τώρα έχει επιτευχθεί άλλη μια σημαντική ανακάλυψη.
"Ασθενείς των οποίων τα κύτταρα γλοιώματος φέρουν μια μεταλλαγμένη μορφή του γονιδίου της ισοσιτρικής αφυδρογονάσης (IDH) έχουν στην πραγματικότητα καλύτερες κλινικές προοπτικές από εκείνους με άγριου τύπου", εξηγεί ο καθηγητής Andreas Stadlbauer, ιατρός φυσικός στο Central Institute. «Αυτό σημαίνει ότι όσο πιο γρήγορα γνωρίζουμε την κατάσταση μετάλλαξης, τόσο καλύτερα μπορούμε να εξατομικεύσουμε τη θεραπεία». Οι διαφορές στον ενεργειακό μεταβολισμό των μεταλλαγμένων και άγριου τύπου όγκων βοηθούν σε αυτό. Χάρη σε προηγούμενες εργασίες της ομάδας του καθηγητή Stadlbauer, μπορούν εύκολα να μετρηθούν χρησιμοποιώντας φυσιομεταβολική μαγνητική τομογραφία, ακόμη και χωρίς δείγματα ιστού. Ωστόσο, η ανάλυση και η αξιολόγηση δεδομένων είναι μια πολύ περίπλοκη και χρονοβόρα διαδικασία που είναι δύσκολο να ενσωματωθεί στην κλινική πράξη, ειδικά επειδή τα αποτελέσματα χρειάζονται γρήγορα λόγω της κακής πρόγνωσης των ασθενών.
Στην τρέχουσα μελέτη, η ομάδα χρησιμοποίησε μεθόδους ML για να αναλύσει και να ερμηνεύσει αυτά τα δεδομένα για να λάβει αποτελέσματα πιο γρήγορα και να μπορέσει να ξεκινήσει τα κατάλληλα βήματα θεραπείας. Πόσο ακριβή είναι όμως τα αποτελέσματα; Για να το αξιολογήσει αυτό, η μελέτη χρησιμοποίησε αρχικά δεδομένα από 182 ασθενείς στο Πανεπιστημιακό Νοσοκομείο St. Pölten, των οποίων τα δεδομένα MRI συλλέχθηκαν χρησιμοποιώντας τυποποιημένα πρωτόκολλα.
«Όταν είδαμε τα αποτελέσματα αξιολόγησης των αλγορίθμων ML μας», εξηγεί ο καθηγητής Stadlbauer, «μείναμε πολύ ευχαριστημένοι. Πετύχαμε ακρίβεια 91,7% και ακρίβεια 87,5% στη διάκριση όγκων με το γονίδιο άγριου τύπου από αυτούς με μεταλλαγμένη μορφή. Στη συνέχεια, συγκρίναμε αυτές τις τιμές με αναλύσεις ML των κλασικών κλινικών δεδομένων MRI και μπορέσαμε να δείξουμε ότι η χρήση δεδομένων φυσικομεταβολικής μαγνητικής τομογραφίας ως βάση παρήγαγε σημαντικά καλύτερα αποτελέσματα."
Ωστόσο, αυτή η υπεροχή διατηρήθηκε μόνο κατά την ανάλυση δεδομένων που συλλέχθηκαν στο St. Pölten χρησιμοποιώντας ένα τυποποιημένο πρωτόκολλο. Αυτό δεν συνέβαινε όταν η μέθοδος ML εφαρμόστηκε σε εξωτερικά δεδομένα, δηλ. Δεδομένα MRI από άλλες βάσεις δεδομένων νοσοκομείων. Σε αυτήν την περίπτωση, η μέθοδος ML που εκπαιδεύτηκε σε κλασικά κλινικά δεδομένα MRI ήταν πιο επιτυχημένη.
Ο λόγος για τον οποίο η ανάλυση των δεδομένων φυσικομεταβολικής μαγνητικής τομογραφίας με χρήση ML ήταν χειρότερη είναι ότι η τεχνολογία είναι ακόμη νέα και βρίσκεται σε πειραματικό στάδιο ανάπτυξης. Οι μέθοδοι συλλογής δεδομένων εξακολουθούν να διαφέρουν από νοσοκομείο σε νοσοκομείο, οδηγώντας σε μεροληψία στην ανάλυση ML.
Για τον επιστήμονα, το πρόβλημα είναι «μόνο» η τυποποίηση που αναπόφευκτα θα προκύψει με την αυξανόμενη χρήση της φυσικομεταβολικής μαγνητικής τομογραφίας σε διάφορα νοσοκομεία. Η ίδια η μέθοδος —ταχεία αξιολόγηση των δεδομένων φυσικομεταβολικής μαγνητικής τομογραφίας με χρήση μεθόδων ML— έχει δείξει εξαιρετικά αποτελέσματα. Επομένως, αυτή είναι μια εξαιρετική προσέγγιση για τον προσδιορισμό της κατάστασης μετάλλαξης IDH σε ασθενείς με γλοίωμα προεγχειρητικά και για την εξατομίκευση των θεραπευτικών επιλογών.
Τα αποτελέσματα της μελέτης δημοσιεύτηκαν στο περιοδικό Karl Landsteiner University of Health Sciences (KL Krems).