למידת מכונה משפרת את הגילוי המוקדם של מוטציות בגליומה

שיטות למידת מכונה (ML) יכולות לאבחן במהירות ובדייקנות מוטציות בגליומות, גידולי מוח ראשוניים.

נתון זה נתמך על ידי מחקר שנערך לאחרונה על ידי אוניברסיטת קרל לנדשטיינר למדעי הרפואה (KL Krems). במחקר זה, נותחו נתוני דימות תהודה מגנטית פיזיומטבולי (MRI) באמצעות שיטות ML כדי לזהות מוטציות בגן מטבולי. למוטציות בגן זה יש השפעה משמעותית על מהלך המחלה, ואבחון מוקדם חשוב לטיפול. המחקר מראה גם כי כיום קיימים סטנדרטים לא עקביים להשגת תמונות MRI פיזיומטבוליות, דבר המעכב שימוש קליני שגרתי בשיטה.

גליומות הן גידולי המוח הראשוניים הנפוצים ביותר. למרות שהפרוגנוזה שלהם עדיין גרועה, טיפולים מותאמים אישית יכולים לשפר משמעותית את הצלחת הטיפול. עם זאת, השימוש בטיפולים מתקדמים כאלה מסתמך על נתוני גידול פרטניים, שקשה להשיג עבור גליומות עקב מיקומן במוח. שיטות הדמיה כגון דימות תהודה מגנטית (MRI) יכולות לספק נתונים כאלה, אך הניתוח שלהן מורכב, עתיר עבודה וגוזלת זמן. המכון המרכזי לרדיולוגיה רפואית אבחנתית בבית החולים האוניברסיטאי סנט פלטן, בסיס ההוראה והמחקר של KL Krems, מפתח שיטות למידה ממוחשבת ולמידה עמוקה במשך שנים רבות כדי להפוך ניתוחים כאלה לאוטומטיים ולשלב אותם בהליכים קליניים שגרתיים. כעת הושגה פריצת דרך נוספת.

"לחולים שתאי הגליומה שלהם נושאים צורה מוטנטית של הגן איזוציטרט דהידרוגנאז (IDH) יש למעשה תחזית קלינית טובה יותר מאשר לאלו עם הסוג הפראי", מסביר פרופסור אנדראס סטדלבאואר, פיזיקאי רפואי במכון המרכזי. "משמעות הדבר היא שככל שנדע מוקדם יותר את מצב המוטציה, כך נוכל להתאים את הטיפול באופן אישי יותר." הבדלים במטבוליזם האנרגיה של גידולים מוטנטיים וגידולים מסוג פראי מסייעים בכך. הודות לעבודה קודמת של צוותו של פרופסור סטדלבאואר, ניתן למדוד אותם בקלות באמצעות MRI פיזיומטבולי, אפילו ללא דגימות רקמה. עם זאת, ניתוח והערכת הנתונים הם תהליך מורכב וגוזל זמן רב מאוד שקשה לשלב אותו בפועל הקליני, במיוחד מכיוון שנדרשות תוצאות במהירות עקב הפרוגנוזה הגרועה של החולים.

במחקר הנוכחי, הצוות השתמש בשיטות של למידה מרחוק (ML) כדי לנתח ולפרש נתונים אלה על מנת לקבל תוצאות מהר יותר ולהיות מסוגל ליזום צעדי טיפול מתאימים. אך עד כמה מדויקות התוצאות? כדי להעריך זאת, המחקר השתמש תחילה בנתונים מ-182 חולים מבית החולים האוניברסיטאי סנט פלטן, שנתוני ה-MRI שלהם נאספו על פי פרוטוקולים סטנדרטיים.

"כשראינו את תוצאות אלגוריתמי ה-ML שלנו", מסביר פרופסור סטדלבאואר, "היינו מרוצים מאוד. השגנו דיוק של 91.7% ודיוק של 87.5% בהבחנה בין גידולים בעלי הסוג הפראי של הגן לבין אלו בעלי הצורה המוטנטית. לאחר מכן השווינו ערכים אלה עם ניתוחי ML של נתוני MRI קליניים קלאסיים והצלחנו להראות ששימוש בנתוני MRI פיזיומטבוליים כבסיס נתן תוצאות טובות יותר באופן משמעותי."

עם זאת, עליונות זו החזיקה מעמד רק בעת ניתוח נתונים שנאספו בסנט פלטן באמצעות פרוטוקול סטנדרטי. זה לא היה המקרה כאשר שיטת ה-ML יושמה על נתונים חיצוניים, כלומר נתוני MRI ממאגרי מידע אחרים בבתי חולים. במצב זה, שיטת ה-ML שאומנה על נתוני MRI קליניים קלאסיים הייתה מוצלחת יותר.

הסיבה לכך שניתוח ML של נתוני MRI פיזיומטבוליים הראה תוצאות גרועות יותר היא שהטכנולוגיה עדיין צעירה ונמצאת בשלב ניסיוני של פיתוח. שיטות איסוף הנתונים עדיין משתנות מבית חולים לבית חולים, מה שמוביל להטיות בניתוח ML.

עבור המדען, הבעיה היא "רק" בעיה של סטנדרטיזציה, שתתעורר באופן בלתי נמנע עם השימוש הגובר ב-MRI פיזיומטבולי בבתי חולים שונים. השיטה עצמה - הערכה מהירה של נתוני MRI פיזיומטבולי באמצעות שיטות ML - הראתה תוצאות מצוינות. לכן, זוהי גישה מצוינת לקביעת סטטוס המוטציה IDH של חולי גליומה לפני ניתוח ולהתאמת אפשרויות טיפול אינדיבידואליות.

תוצאות המחקר פורסמו בכתב העת אוניברסיטת קרל לנדשטיינר למדעי הבריאות (KL Krems).