Új kiadványok
A gépi tanulás javítja a glióma mutációk korai felismerését
Utolsó ellenőrzés: 02.07.2025
Minden iLive-tartalmat orvosi szempontból felülvizsgáltak vagy tényszerűen ellenőriznek, hogy a lehető legtöbb tényszerű pontosságot biztosítsák.
Szigorú beszerzési iránymutatásunk van, és csak a jó hírű média oldalakhoz, az akadémiai kutatóintézetekhez és, ha lehetséges, orvosilag felülvizsgált tanulmányokhoz kapcsolódik. Ne feledje, hogy a zárójelben ([1], [2] stb.) Szereplő számok ezekre a tanulmányokra kattintható linkek.
Ha úgy érzi, hogy a tartalom bármely pontatlan, elavult vagy más módon megkérdőjelezhető, jelölje ki, és nyomja meg a Ctrl + Enter billentyűt.
A gépi tanulási (ML) módszerek gyorsan és pontosan képesek diagnosztizálni a gliómák, az elsődleges agydaganatok mutációit.
Ezt támasztja alá a Karl Landsteiner Orvostudományi Egyetem (KL Krems) által nemrégiben végzett tanulmány. Ebben a tanulmányban fiziometabolikus mágneses rezonancia képalkotás (MRI) adatait elemezték ML-módszerekkel egy metabolikus gén mutációinak azonosítására. A gén mutációi jelentős hatással vannak a betegség lefolyására, és a korai diagnózis fontos a kezelés szempontjából. A tanulmány azt is kimutatja, hogy jelenleg nincsenek következetes szabványok a fiziometabolikus MRI-képek készítésére, ami akadályozza a módszer rutinszerű klinikai alkalmazását.
A gliómák a leggyakoribb elsődleges agydaganatok. Bár prognózisuk továbbra is rossz, a személyre szabott terápiák jelentősen javíthatják a kezelés sikerességét. Az ilyen fejlett terápiák alkalmazása azonban az egyéni daganatadatokon alapul, amelyeket a gliómák agyban való elhelyezkedésük miatt nehéz megszerezni. A képalkotó módszerek, mint például a mágneses rezonancia képalkotás (MRI), ilyen adatokat szolgáltathatnak, de elemzésük összetett, munkaigényes és időigényes. A KL Krems oktatási és kutatási bázisa, a St. Pölten Egyetemi Kórház Központi Diagnosztikai Orvosi Radiológiai Intézete évek óta fejleszt gépi és mélytanulási módszereket az ilyen elemzések automatizálására és a rutin klinikai eljárásokba való integrálására. Most újabb áttörést értek el.
„Azok a betegek, akiknek a gliómasejtjei az izocitrát-dehidrogenáz (IDH) gén mutált formáját hordozzák, valójában jobb klinikai kilátásokkal rendelkeznek, mint a vad típusúak” – magyarázza Andreas Stadlbauer professzor, a Zentralinstitut orvosfizikusa. „Ez azt jelenti, hogy minél korábban ismerjük a mutációs státuszt, annál jobban tudjuk személyre szabni a kezelést.” A mutált és a vad típusú tumorok energia-anyagcseréjének különbségei segítenek ebben. Stadlbauer professzor csapatának korábbi munkájának köszönhetően ezek könnyen mérhetők fiziometabolikus MRI segítségével, akár szövetminták nélkül is. Az adatok elemzése és értékelése azonban nagyon összetett és időigényes folyamat, amelyet nehéz integrálni a klinikai gyakorlatba, különösen mivel a betegek rossz prognózisa miatt gyorsan szükség van az eredményekre.
A jelenlegi tanulmányban a csapat gépi tanulási módszereket alkalmazott az adatok elemzésére és értelmezésére, hogy gyorsabb eredményeket kapjon, és megfelelő kezelési lépéseket tudjon megtenni. De mennyire pontosak az eredmények? Ennek felmérésére a tanulmány először 182, a St. Pölten-i Egyetemi Kórházból származó beteg adatait használta fel, akiknek MRI-adatait standardizált protokollok szerint gyűjtötték.
„Amikor megláttuk a gépi tanulási algoritmusaink eredményeit” – magyarázza Stadlbauer professzor –, „nagyon elégedettek voltunk. 91,7%-os pontosságot és 87,5%-os precizitást értünk el a vad típusú gént hordozó tumorok és a mutált formát hordozók megkülönböztetésében. Ezután ezeket az értékeket összehasonlítottuk a klasszikus klinikai MRI-adatok gépi tanulási elemzéseivel, és kimutathattuk, hogy a fiziometabolikus MRI-adatok alapként való felhasználása szignifikánsan jobb eredményeket adott.”
Ez a fölény azonban csak a St. Pöltenben gyűjtött adatok standardizált protokollal történő elemzésekor állt fenn. Ez nem volt így, amikor az ML-módszert külső adatokra, azaz más kórházi adatbázisokból származó MRI-adatokra alkalmazták. Ebben a helyzetben a klasszikus klinikai MRI-adatokon betanított ML-módszer sikeresebbnek bizonyult.
Azért mutatott rosszabb eredményeket a fiziometabolikus MRI-adatok gépi leképezéses (ML) elemzése, mert a technológia még mindig fiatal és kísérleti fejlesztési szakaszban van. Az adatgyűjtési módszerek továbbra is kórházanként eltérőek, ami torzításokhoz vezet az ML-elemzésben.
A tudós számára a probléma „csupán” a szabványosításé, ami elkerülhetetlenül felmerül a fiziometabolikus MRI különböző kórházakban történő egyre növekvő alkalmazásával. Maga a módszer – a fiziometabolikus MRI adatok gyors értékelése ML módszerekkel – kiváló eredményeket mutatott. Ezért kiváló megközelítés a gliómás betegek IDH mutációs státuszának műtét előtti meghatározására és a kezelési lehetőségek egyénre szabására.
A tanulmány eredményeit a Karl Landsteiner Egészségtudományi Egyetem (KL Krems) folyóiratában tették közzé.