Весь контент iLive перевіряється медичними експертами, щоб забезпечити максимально можливу точність і відповідність фактам.
У нас є строгі правила щодо вибору джерел інформації та ми посилаємося тільки на авторитетні сайти, академічні дослідницькі інститути і, по можливості, доведені медичні дослідження. Зверніть увагу, що цифри в дужках ([1], [2] і т. д.) є інтерактивними посиланнями на такі дослідження.
Якщо ви вважаєте, що який-небудь з наших матеріалів є неточним, застарілим або іншим чином сумнівним, виберіть його і натисніть Ctrl + Enter.
Машинне навчання покращує раннє виявлення мутацій гліоми
Останній перегляд: 02.07.2025
">Методи машинного навчання (ML) можуть швидко та точно діагностувати мутації в гліомах, первинних пухлинах головного мозку.
Це підтверджується нещодавнім дослідженням, проведеним Медичним університетом імені Карла Ландштайнера (KL Krems). У цьому дослідженні дані фізіометаболічної магнітно-резонансної томографії (МРТ) були проаналізовані за допомогою методів ML для виявлення мутацій у метаболічному гені. Мутації в цьому гені мають значний вплив на перебіг захворювання, і рання діагностика важлива для лікування. Дослідження також показує, що наразі існують неузгоджені стандарти отримання фізіометаболічних МРТ-зображень, що перешкоджає рутинному клінічному використанню цього методу.
Гліоми є найпоширенішими первинними пухлинами головного мозку. Хоча їхній прогноз все ще несприятливий, персоналізована терапія може значно покращити успішність лікування. Однак використання таких передових методів лікування залежить від індивідуальних даних про пухлину, які важко отримати для гліом через їх розташування в мозку. Методи візуалізації, такі як магнітно-резонансна томографія (МРТ), можуть надати такі дані, але їх аналіз є складним, трудомістким та вимагає багато часу. Центральний інститут діагностичної медичної радіології в Університетській лікарні Санкт-Пельтен, навчально-дослідна база К. Л. Кремса, протягом багатьох років розробляє методи машинного та глибокого навчання для автоматизації такого аналізів та інтеграції їх у рутинні клінічні процедури. Тепер досягнуто ще одного прориву.
«Пацієнти, чиї клітини гліоми несуть мутовану форму гена ізоцитратдегідрогенази (IDH), насправді мають кращий клінічний прогноз, ніж пацієнти з диким типом», – пояснює професор Андреас Штадлбауер, медичний фізик Центрального інституту. «Це означає, що чим раніше ми знаємо статус мутації, тим краще ми можемо індивідуалізувати лікування». У цьому допомагають відмінності в енергетичному метаболізмі мутованих та диких типів пухлин. Завдяки попередній роботі команди професора Штадлбауера, їх можна легко виміряти за допомогою фізіометаболічної МРТ, навіть без зразків тканин. Однак аналіз та оцінка даних – це дуже складний та трудомісткий процес, який важко інтегрувати в клінічну практику, особливо тому, що результати потрібні швидко через поганий прогноз пацієнтів.
У поточному дослідженні команда використовувала методи машинного навчання для аналізу та інтерпретації цих даних, щоб швидше отримати результати та мати змогу розпочати відповідні кроки лікування. Але наскільки точні результати? Щоб оцінити це, у дослідженні спочатку використовувалися дані 182 пацієнтів з Університетської лікарні Санкт-Пельтен, дані МРТ яких були зібрані відповідно до стандартизованих протоколів.
«Коли ми побачили результати наших алгоритмів машинного навчання, — пояснює професор Штадльбауер, — ми були дуже задоволені. Ми досягли точності 91,7% та прецизійності 87,5% у розрізненні пухлин з диким типом гена та тих, що мають мутовану форму. Потім ми порівняли ці значення з аналізом машинного навчання класичних клінічних даних МРТ і змогли показати, що використання фізіометаболічних даних МРТ як основи дає значно кращі результати».
Однак, ця перевага мала місце лише під час аналізу даних, зібраних у Санкт-Пельтені, за допомогою стандартизованого протоколу. Це було не так, коли метод машинного навчання (ML) застосовувався до зовнішніх даних, тобто даних МРТ з інших баз даних лікарень. У цій ситуації метод ML, навчений на класичних клінічних даних МРТ, виявився успішнішим.
Причина, чому аналіз фізіометаболічних даних МРТ за допомогою машинного навчання (ML) показав гірші результати, полягає в тому, що ця технологія все ще молода та перебуває на експериментальній стадії розробки. Методи збору даних все ще відрізняються залежно від лікарні, що призводить до упередженості в аналізі ML.
Для вченого проблема полягає «лише» в стандартизації, яка неминуче виникне зі зростаючим використанням фізіометаболічної МРТ у різних лікарнях. Сам метод – швидка оцінка даних фізіометаболічної МРТ за допомогою методів ML – показав чудові результати. Тому це чудовий підхід для визначення статусу мутації IDH у пацієнтів з гліомою перед операцією та для індивідуалізації варіантів лікування.
Результати дослідження були опубліковані в журналі Університету медичних наук імені Карла Ландштайнера (KL Krems).