למידת מכונה משפרת זיהוי מוקדם של מוטציות גליומה

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

זה מאושר על ידי מחקר שנערך לאחרונה על ידי אוניברסיטת קארל לנדשטיינר למדעי הרפואה (KL Krems). במחקר זה, נתוני הדמיית תהודה מגנטית פיזיומבולית (MRI) נותחו באמצעות שיטות ML לזיהוי מוטציות בגן מטבולי. למוטציות בגן זה יש השפעה משמעותית על מהלך המחלה, ואבחון מוקדם חשוב לטיפול. המחקר גם מראה כי קיימים כיום סטנדרטים לא עקביים לקבלת תמונות MR פיזיומטבוליות, מה שמפריע לשימוש קליני שגרתי בשיטה.

גליומות הן גידולי המוח הראשוניים הנפוצים ביותר. למרות הפרוגנוזה עדיין גרועה, טיפולים מותאמים אישית יכולים לשפר משמעותית את הצלחת הטיפול. עם זאת, השימוש בטיפולים מתקדמים שכאלה מסתמך על נתוני גידול בודדים, שקשה להשיג עבור גליומות בשל מיקומן במוח. טכניקות הדמיה כגון הדמיית תהודה מגנטית (MRI) יכולות לספק נתונים כאלה, אך הניתוח שלהן מורכב, דורש עבודה וזמן רב. המכון המרכזי לרדיולוגיה רפואית אבחנתית בבית החולים האוניברסיטאי St. Pölten, בסיס ההוראה והמחקר של KL Krems, מפתח מזה שנים רבות שיטות מכונה ולמידה עמוקה כדי להפוך ניתוחים כאלה לאוטומטיים ולשלבם בפעולות קליניות שגרתיות. כעת הושגה פריצת דרך נוספת.

"למטופלים שתאי הגליומה שלהם נושאים צורה שעברה מוטציה של הגן isocitrate dehydrogenase (IDH) יש למעשה סיכויים קליניים טובים יותר מאלו עם סוג הבר", מסביר פרופסור אנדריאס סטדלבואר, פיזיקאי רפואי במכון המרכזי. "משמעות הדבר היא שככל שנדע את מצב המוטציה מוקדם יותר, כך נוכל להתאים את הטיפול בצורה אינדיבידואלית". הבדלים במטבוליזם האנרגטי של גידולים מוטציים וגידולים מסוג פרא עוזרים בכך. הודות לעבודה קודמת של הצוות של פרופסור סטדלבאואר, ניתן למדוד אותם בקלות באמצעות MRI פיזיומטאבולי, גם ללא דגימות רקמה. עם זאת, ניתוח והערכה של נתונים הם תהליך מורכב מאוד וגוזל זמן שקשה לשלב אותו בפרקטיקה הקלינית, במיוחד מכיוון שדרושות תוצאות במהירות עקב הפרוגנוזה הלקוי של החולים.

במחקר הנוכחי, הצוות השתמש בשיטות ML כדי לנתח ולפרש נתונים אלה כדי לקבל תוצאות מהר יותר ולהיות מסוגלים להתחיל שלבי טיפול מתאימים. אבל כמה מדויקות התוצאות? כדי להעריך זאת, המחקר השתמש לראשונה בנתונים של 182 חולים בבית החולים האוניברסיטאי St. Pölten, שנתוני ה-MRI שלהם נאספו באמצעות פרוטוקולים סטנדרטיים.

"כשראינו את תוצאות ההערכה של אלגוריתמי ה-ML שלנו", מסביר פרופסור סטדלבאואר, "היינו מאוד מרוצים. השגנו דיוק של 91.7% ודיוק של 87.5% בהבחנה בין גידולים עם סוג הבר של הגן מאלה עם צורה מוטציה. לאחר מכן השווינו ערכים אלה עם ניתוחי ML של נתוני MRI קליניים קלאסיים והצלחנו להראות ששימוש בנתוני MRI פיזיומטאבוליים כבסיס הניב תוצאות טובות יותר באופן משמעותי."

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

הסיבה לכך שניתוח של נתוני MRI פיזיומטבוליים באמצעות ML הצליח גרוע יותר היא שהטכנולוגיה עדיין צעירה ונמצאת בשלב הניסוי של הפיתוח. שיטות איסוף הנתונים עדיין משתנות מבית חולים לבית חולים, מה שמוביל להטיה בניתוח ML.

עבור המדען, הבעיה היא "רק" הסטנדרטיזציה שתתעורר בהכרח עם השימוש הגובר ב-MRI פיזיומטאבולי בבתי חולים שונים. השיטה עצמה - הערכה מהירה של נתוני MRI פיזיומטבוליים באמצעות שיטות ML - הראתה תוצאות מצוינות. לכן, זוהי גישה מצוינת לקביעת מצב מוטציית IDH בחולי גליומה לפני הניתוח ולהתאים את אפשרויות הטיפול באופן אינדיבידואלי.

תוצאות המחקר פורסמו בכתב העת Karl Landsteiner University of Health Sciences (KL Krems).