Machine learning verbetert de vroege detectie van glioommutaties
Laatst beoordeeld: 14.06.2024
Alle iLive-inhoud wordt medisch beoordeeld of gecontroleerd op feiten om zo veel mogelijk feitelijke nauwkeurigheid te waarborgen.
We hebben strikte richtlijnen voor sourcing en koppelen alleen aan gerenommeerde mediasites, academische onderzoeksinstellingen en, waar mogelijk, medisch getoetste onderzoeken. Merk op dat de nummers tussen haakjes ([1], [2], etc.) klikbare links naar deze studies zijn.
Als u van mening bent dat onze inhoud onjuist, verouderd of anderszins twijfelachtig is, selecteert u deze en drukt u op Ctrl + Enter.
Machine learning (ML)-methoden kunnen snel en nauwkeurig mutaties diagnosticeren in gliomen - primaire hersentumoren.
Dit wordt bevestigd door een recent onderzoek uitgevoerd door de Karl Landsteiner Universiteit voor Medische Wetenschappen (KL Krems). In deze studie werden fysiometabole magnetische resonantie beeldvorming (MRI) gegevens geanalyseerd met behulp van ML-methoden om mutaties in een metabolisch gen te identificeren. Mutaties in dit gen hebben een aanzienlijke invloed op het verloop van de ziekte en een vroege diagnose is belangrijk voor de behandeling. Uit het onderzoek blijkt ook dat er momenteel inconsistente normen bestaan voor het verkrijgen van fysiometabolische MRI-beelden, wat het routinematige klinische gebruik van de methode belemmert.
Gliomen zijn de meest voorkomende primaire hersentumoren. Ondanks de nog steeds slechte prognose kunnen gepersonaliseerde therapieën het behandelsucces aanzienlijk verbeteren. Het gebruik van dergelijke geavanceerde therapieën is echter afhankelijk van individuele tumorgegevens, die voor gliomen moeilijk te verkrijgen zijn vanwege hun locatie in de hersenen. Beeldvormingstechnieken zoals Magnetic resonance imaging (MRI) kunnen dergelijke gegevens opleveren, maar de analyse ervan is complex, arbeidsintensief en tijdrovend. Het Centraal Instituut voor Diagnostische Medische Radiologie van het Universitair Ziekenhuis St. Pölten, de onderwijs- en onderzoeksbasis van KL Krems, ontwikkelt al jaren machine- en deep learning-methoden om dergelijke analyses te automatiseren en te integreren in routinematige klinische operaties. Nu is er weer een doorbraak bereikt.
"Patiënten van wie de glioomcellen een gemuteerde vorm van het isocitraatdehydrogenase (IDH)-gen dragen, hebben feitelijk betere klinische vooruitzichten dan degenen met het wildtype", legt professor Andreas Stadlbauer uit, een medisch fysicus bij het Centraal Instituut. "Dit betekent dat hoe eerder we de mutatiestatus kennen, hoe beter we de behandeling kunnen individualiseren." Verschillen in het energiemetabolisme van gemuteerde en wildtype tumoren helpen hierbij. Dankzij eerder werk van het team van professor Stadlbauer kunnen ze eenvoudig worden gemeten met behulp van fysiometabolische MRI, zelfs zonder weefselmonsters. Data-analyse en evaluatie is echter een zeer complex en tijdrovend proces dat moeilijk te integreren is in de klinische praktijk, vooral omdat er snel resultaten nodig zijn vanwege de slechte prognose van patiënten.
In het huidige onderzoek gebruikte het team ML-methoden om deze gegevens te analyseren en interpreteren om sneller resultaten te verkrijgen en de juiste behandelingsstappen te kunnen initiëren. Maar hoe nauwkeurig zijn de resultaten? Om dit te evalueren werd voor het onderzoek eerst gebruik gemaakt van gegevens van 182 patiënten in het Universitair Ziekenhuis St. Pölten, van wie de MRI-gegevens werden verzameld met behulp van gestandaardiseerde protocollen.
“Toen we de evaluatieresultaten van onze ML-algoritmen zagen”, legt professor Stadlbauer uit, “waren we zeer tevreden. We bereikten een nauwkeurigheid van 91,7% en een nauwkeurigheid van 87,5% bij het onderscheiden van tumoren met het wildtype gen van tumoren met een gemuteerde vorm. We vergeleken deze waarden vervolgens met ML-analyses van klassieke klinische MRI-gegevens en konden aantonen dat het gebruik van fysiometabolische MRI-gegevens als basis significant betere resultaten opleverde."
Deze superioriteit bleef echter alleen behouden bij het analyseren van gegevens verzameld in St. Pölten met behulp van een gestandaardiseerd protocol. Dit was niet het geval toen de ML-methode werd toegepast op externe gegevens, dat wil zeggen MRI-gegevens uit andere ziekenhuisdatabases. In deze situatie was de ML-methode, getraind op klassieke klinische MRI-gegevens, succesvoller.
De reden waarom de analyse van fysiometabolische MRI-gegevens met behulp van ML slechter presteerde, is dat de technologie nog jong is en zich in de experimentele ontwikkelingsfase bevindt. De methoden voor gegevensverzameling variëren nog steeds van ziekenhuis tot ziekenhuis, wat leidt tot vertekening in de ML-analyse.
Voor de wetenschapper is het probleem “slechts” de standaardisatie die onvermijdelijk zal ontstaan door het toenemende gebruik van fysiometabolische MRI in verschillende ziekenhuizen. De methode zelf – snelle beoordeling van fysiometabolische MRI-gegevens met behulp van ML-methoden – heeft uitstekende resultaten opgeleverd. Daarom is dit een uitstekende aanpak om preoperatief de IDH-mutatiestatus bij glioompatiënten te bepalen en behandelingsopties te individualiseren.
De onderzoeksresultaten zijn gepubliceerd in het tijdschrift Karl Landsteiner University of Health Sciences (KL Krems).