การเรียนรู้ของเครื่องจักรช่วยปรับปรุงการตรวจจับการกลายพันธุ์ของก้อนเนื้อในสมองในระยะเริ่มต้น

วิธีการเรียนรู้ของเครื่องจักร (ML) สามารถวินิจฉัยการกลายพันธุ์ในก้อนเนื้อในสมองได้อย่างรวดเร็วและแม่นยำ

งานวิจัยล่าสุดที่ดำเนินการโดย Karl Landsteiner University of Medical Sciences (KL Krems) แสดงให้เห็นว่าข้อมูลดังกล่าวได้รับการสนับสนุน ในการศึกษานี้ ข้อมูลการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) ของฟิสิโอเมตาบอลิกได้รับการวิเคราะห์โดยใช้เทคนิค ML เพื่อระบุการกลายพันธุ์ในยีนเมตาบอลิก การกลายพันธุ์ในยีนนี้ส่งผลกระทบอย่างมีนัยสำคัญต่อการดำเนินไปของโรค และการวินิจฉัยในระยะเริ่มต้นมีความสำคัญต่อการรักษา การศึกษาครั้งนี้ยังแสดงให้เห็นด้วยว่าปัจจุบันมีมาตรฐานที่ไม่สอดคล้องกันสำหรับการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าของฟิสิโอเมตาบอลิก ซึ่งเป็นอุปสรรคต่อการใช้เทคนิคนี้ในทางคลินิกเป็นประจำ

เนื้องอกในสมองชนิดกีลิโอมาถือเป็นเนื้องอกในสมองที่พบได้บ่อยที่สุด แม้ว่าการพยากรณ์โรคจะยังคงไม่ดีนัก แต่การบำบัดแบบเฉพาะบุคคลสามารถช่วยให้การรักษาประสบความสำเร็จได้ดีขึ้นอย่างมาก อย่างไรก็ตาม การใช้การบำบัดขั้นสูงดังกล่าวต้องอาศัยข้อมูลเนื้องอกแต่ละราย ซึ่งยากต่อการรับข้อมูลสำหรับเนื้องอกในสมองเนื่องจากตำแหน่งในสมอง วิธีการสร้างภาพ เช่นการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) สามารถให้ข้อมูลดังกล่าวได้ แต่การวิเคราะห์นั้นซับซ้อน ต้องใช้แรงงานมาก และใช้เวลานาน สถาบันกลางเพื่อการวินิจฉัยด้วยรังสีวิทยาทางการแพทย์ที่โรงพยาบาลมหาวิทยาลัยเซนต์โพลเทน ซึ่งเป็นฐานการเรียนการสอนและการวิจัยของ KL Krems ได้พัฒนาวิธีการเรียนรู้ด้วยเครื่องจักรและการเรียนรู้เชิงลึกมาเป็นเวลาหลายปีเพื่อทำให้การวิเคราะห์ดังกล่าวเป็นไปโดยอัตโนมัติและบูรณาการเข้ากับขั้นตอนทางคลินิกทั่วไป ปัจจุบัน ได้มีการบรรลุความก้าวหน้าอีกขั้นหนึ่งแล้ว

“ผู้ป่วยที่มีเซลล์เนื้องอกในสมองที่มียีนไอโซซิเตรตดีไฮโดรจีเนส (IDH) ที่กลายพันธุ์นั้นมีแนวโน้มทางคลินิกที่ดีกว่าผู้ป่วยที่เป็นเนื้องอกชนิดป่า” ศาสตราจารย์ Andreas Stadlbauer นักฟิสิกส์การแพทย์จากสถาบัน Zentralinstitut อธิบาย “ซึ่งหมายความว่ายิ่งเรารู้สถานะการกลายพันธุ์ได้เร็วเท่าไร เราก็สามารถกำหนดการรักษาเฉพาะบุคคลได้ดียิ่งขึ้นเท่านั้น” ความแตกต่างในการเผาผลาญพลังงานของเนื้องอกที่กลายพันธุ์และเนื้องอกชนิดป่าช่วยในเรื่องนี้ ขอบคุณงานก่อนหน้านี้ของทีมของศาสตราจารย์ Stadlbauer ที่ทำให้สามารถวัดค่าเหล่านี้ได้อย่างง่ายดายโดยใช้ MRI ของฟิสิโอเมตาบอลิก แม้จะไม่มีตัวอย่างเนื้อเยื่อก็ตาม อย่างไรก็ตาม การวิเคราะห์และประเมินข้อมูลเป็นกระบวนการที่ซับซ้อนและใช้เวลานานมาก ซึ่งยากต่อการนำไปปรับใช้ในทางคลินิก โดยเฉพาะอย่างยิ่งเมื่อจำเป็นต้องได้รับผลลัพธ์อย่างรวดเร็วเนื่องจากผู้ป่วยมีการพยากรณ์โรคที่ไม่ดี

ในการศึกษาปัจจุบัน ทีมได้ใช้เทคนิค ML ในการวิเคราะห์และตีความข้อมูลนี้เพื่อให้ได้ผลลัพธ์เร็วขึ้นและสามารถเริ่มขั้นตอนการรักษาที่เหมาะสมได้ แต่ผลลัพธ์มีความแม่นยำแค่ไหน? เพื่อประเมินสิ่งนี้ การศึกษาได้ใช้ข้อมูลจากผู้ป่วย 182 รายจากโรงพยาบาลมหาวิทยาลัยเซนต์โพลเทนก่อน ซึ่งข้อมูล MRI ของพวกเขาได้รับการรวบรวมตามโปรโตคอลมาตรฐาน

ศาสตราจารย์ Stadlbauer อธิบายว่า “เมื่อเราเห็นผลของอัลกอริธึม ML ของเรา เราก็รู้สึกพอใจมาก เราประสบความสำเร็จในความแม่นยำ 91.7% และความแม่นยำ 87.5% ในการแยกแยะระหว่างเนื้องอกที่มียีนประเภทป่าและเนื้องอกที่มีรูปแบบกลายพันธุ์ จากนั้น เราจึงเปรียบเทียบค่าเหล่านี้กับการวิเคราะห์ ML ของข้อมูล MRI ทางคลินิกแบบคลาสสิก และสามารถแสดงให้เห็นว่าการใช้ข้อมูล MRI ทางฟิสิโอเมตาบอลิกเป็นพื้นฐานนั้นให้ผลลัพธ์ที่ดีกว่าอย่างมีนัยสำคัญ”

อย่างไรก็ตาม ความเหนือกว่านี้จะเกิดขึ้นได้ก็ต่อเมื่อวิเคราะห์ข้อมูลที่รวบรวมในเซนต์โพลเทนโดยใช้โปรโตคอลมาตรฐานเท่านั้น ซึ่งไม่เป็นเช่นนั้นเมื่อใช้วิธี ML กับข้อมูลภายนอก เช่น ข้อมูล MRI จากฐานข้อมูลโรงพยาบาลอื่น ในสถานการณ์นี้ วิธี ML ที่ฝึกจากข้อมูล MRI ทางคลินิกแบบคลาสสิกจะประสบความสำเร็จมากกว่า

เหตุผลที่การวิเคราะห์ข้อมูล MRI ทางฟิสิโอเมตาบอลิกด้วย ML ให้ผลลัพธ์ที่แย่กว่านั้นก็คือ เทคโนโลยีดังกล่าวยังค่อนข้างใหม่และอยู่ในระยะทดลอง วิธีการรวบรวมข้อมูลยังคงแตกต่างกันไปในแต่ละโรงพยาบาล ซึ่งทำให้การวิเคราะห์ ML มีอคติ

สำหรับนักวิทยาศาสตร์ ปัญหาอยู่ที่ "เพียง" ปัญหาเดียวคือมาตรฐาน ซึ่งหลีกเลี่ยงไม่ได้ที่จะเกิดขึ้นจากการใช้ MRI ของฟิสิโอเมตาบอลิกที่เพิ่มมากขึ้นในโรงพยาบาลต่างๆ วิธีการนี้เอง - การประเมินข้อมูล MRI ของฟิสิโอเมตาบอลิกอย่างรวดเร็วโดยใช้เทคนิค ML - ได้แสดงผลลัพธ์ที่ยอดเยี่ยม ดังนั้น จึงเป็นแนวทางที่ดีเยี่ยมในการกำหนดสถานะการกลายพันธุ์ของ IDH ในผู้ป่วยมะเร็งกาวเนื้อสมองก่อนการผ่าตัด และสำหรับการกำหนดทางเลือกในการรักษาแบบรายบุคคล

ผลการศึกษาดังกล่าวได้รับการตีพิมพ์ในวารสาร Karl Landsteiner University of Health Sciences (KL Krems )