การเรียนรู้ของเครื่องช่วยปรับปรุงการตรวจหาการกลายพันธุ์ของเนื้องอกไกลโอมาตั้งแต่เนิ่นๆ

วิธีแมชชีนเลิร์นนิง (ML) สามารถวินิจฉัยการกลายพันธุ์ใน gliomas ซึ่งเป็นเนื้องอกในสมองปฐมภูมิได้อย่างรวดเร็วและแม่นยำ

สิ่งนี้ได้รับการยืนยันโดยการศึกษาล่าสุดที่จัดทำโดย Karl Landsteiner University of Medical Sciences (KL Krems) ในการศึกษานี้ ข้อมูลการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) ทางกายภาพและทางกายได้รับการวิเคราะห์โดยใช้วิธี ML เพื่อระบุการกลายพันธุ์ในยีนเมตาบอลิซึม การกลายพันธุ์ของยีนนี้มีผลกระทบอย่างมีนัยสำคัญต่อการเกิดโรค และการวินิจฉัยโรคตั้งแต่เนิ่นๆเป็นสิ่งสำคัญสำหรับการรักษา การศึกษายังแสดงให้เห็นว่าในปัจจุบันมีมาตรฐานที่ไม่สอดคล้องกันในการได้รับภาพ MR ทางร่างกาย ซึ่งเป็นอุปสรรคต่อการใช้วิธีนี้ทางคลินิกเป็นประจำ

ไกลโอมาคือเนื้องอกในสมองปฐมภูมิที่พบบ่อยที่สุด แม้ว่าการพยากรณ์โรคจะยังย่ำแย่ แต่การบำบัดเฉพาะบุคคลสามารถปรับปรุงความสำเร็จในการรักษาได้อย่างมาก อย่างไรก็ตาม การใช้การรักษาขั้นสูงดังกล่าวขึ้นอยู่กับข้อมูลเนื้องอกของแต่ละบุคคล ซึ่งหาได้ยากสำหรับเนื้องอกไกลโอมาเนื่องจากตำแหน่งของพวกมันในสมอง เทคนิคการถ่ายภาพ เช่น การถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) สามารถให้ข้อมูลดังกล่าวได้ แต่การวิเคราะห์มีความซับซ้อน ใช้แรงงานเข้มข้น และใช้เวลานาน สถาบันกลางสำหรับรังสีวิทยาทางการแพทย์เพื่อการวินิจฉัยที่โรงพยาบาลมหาวิทยาลัย St. Pölten ซึ่งเป็นฐานการสอนและการวิจัยของ KL Krems ได้พัฒนาเครื่องจักรและวิธีการเรียนรู้เชิงลึกมาเป็นเวลาหลายปีเพื่อทำให้การวิเคราะห์ดังกล่าวเป็นแบบอัตโนมัติและบูรณาการเข้ากับการปฏิบัติงานทางคลินิกตามปกติ ขณะนี้ประสบความสำเร็จไปอีกขั้นแล้ว

"ผู้ป่วยที่เซลล์ไกลโอมามียีน isocitrate dehydrogenase (IDH) ที่กลายพันธุ์แล้ว มีโอกาสทางคลินิกที่ดีกว่าผู้ที่มีเซลล์มะเร็ง" ศาสตราจารย์ Andreas Stadlbauer นักฟิสิกส์การแพทย์จาก Central Institute อธิบาย “ซึ่งหมายความว่ายิ่งเรารู้สถานะการกลายพันธุ์ได้เร็วเท่าไร เราก็จะสามารถปรับการรักษาเป็นรายบุคคลได้ดีขึ้นเท่านั้น” ความแตกต่างในการเผาผลาญพลังงานของเนื้องอกกลายพันธุ์และเนื้องอกชนิดป่าช่วยในเรื่องนี้ ต้องขอบคุณผลงานก่อนหน้านี้โดยทีมงานของศาสตราจารย์ Stadlbauer จึงสามารถวัดค่าเหล่านี้ได้อย่างง่ายดายโดยใช้เครื่อง MRI ทางร่างกาย แม้ว่าจะไม่มีตัวอย่างเนื้อเยื่อก็ตาม อย่างไรก็ตาม การวิเคราะห์และประเมินข้อมูลเป็นกระบวนการที่ซับซ้อนและใช้เวลานานซึ่งยากต่อการบูรณาการเข้ากับการปฏิบัติทางคลินิก โดยเฉพาะอย่างยิ่งเนื่องจากต้องการผลลัพธ์ที่รวดเร็วเนื่องจากการพยากรณ์โรคที่ไม่ดีของผู้ป่วย

ในการศึกษาปัจจุบัน ทีมงานใช้วิธีการ ML เพื่อวิเคราะห์และตีความข้อมูลนี้เพื่อให้ได้ผลลัพธ์เร็วขึ้นและสามารถเริ่มขั้นตอนการรักษาที่เหมาะสมได้ แต่ผลลัพธ์มีความแม่นยำแค่ไหน? เพื่อประเมินสิ่งนี้ การศึกษาได้ใช้ข้อมูลจากผู้ป่วย 182 คนที่โรงพยาบาลมหาวิทยาลัยแซงต์พอลเทิน ซึ่งข้อมูล MRI ได้รับการเก็บรวบรวมโดยใช้โปรโตคอลที่เป็นมาตรฐาน

“เมื่อเราเห็นผลการประเมินของอัลกอริธึม ML ของเรา” ศาสตราจารย์ Stadlbauer อธิบาย “เรายินดีเป็นอย่างยิ่ง เราได้รับความแม่นยำ 91.7% และความแม่นยำ 87.5% ในการแยกแยะเนื้องอกที่มีประเภทยีนไวด์จากที่มีรูปแบบกลายพันธุ์ จากนั้นเราเปรียบเทียบค่าเหล่านี้กับการวิเคราะห์ ML ของข้อมูล MRI ทางคลินิกแบบคลาสสิก และสามารถแสดงให้เห็นว่าการใช้ข้อมูล MRI ทางร่างกายเป็นพื้นฐานให้ผลลัพธ์ที่ดีกว่าอย่างมีนัยสำคัญ"

อย่างไรก็ตาม ความเหนือกว่านี้จะคงไว้เฉพาะเมื่อวิเคราะห์ข้อมูลที่รวบรวมใน St. Pölten โดยใช้โปรโตคอลที่เป็นมาตรฐานเท่านั้น กรณีนี้ไม่ใช่กรณีที่ใช้วิธีการ ML กับข้อมูลภายนอก เช่น ข้อมูล MRI จากฐานข้อมูลโรงพยาบาลอื่น ในสถานการณ์เช่นนี้ วิธี ML ที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูล MRI ทางคลินิกแบบคลาสสิกประสบความสำเร็จมากกว่า

สาเหตุที่การวิเคราะห์ข้อมูล MRI ทางกายภาพโดยใช้ ML ทำงานได้แย่กว่านั้นก็คือ เทคโนโลยียังใหม่อยู่และอยู่ในขั้นทดลองของการพัฒนา วิธีการรวบรวมข้อมูลยังคงแตกต่างกันไปในแต่ละโรงพยาบาล ทำให้เกิดอคติในการวิเคราะห์ ML

สำหรับนักวิทยาศาสตร์ ปัญหาคือ "เพียง" มาตรฐานที่จะเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้จากการใช้เครื่อง MRI ทางกายภาพและทางกายที่เพิ่มขึ้นในโรงพยาบาลต่างๆ วิธีการดังกล่าวคือการประเมินข้อมูล MRI ทางกายภาพและทางกายอย่างรวดเร็วโดยใช้วิธี ML ซึ่งแสดงให้เห็นผลลัพธ์ที่ยอดเยี่ยม ดังนั้น นี่เป็นแนวทางที่ดีเยี่ยมในการพิจารณาสถานะการกลายพันธุ์ของ IDH ในผู้ป่วยเนื้องอกไกลโอมาก่อนการผ่าตัด และเพื่อกำหนดตัวเลือกการรักษาให้เหมาะกับแต่ละบุคคล

ผลการศึกษาได้รับการตีพิมพ์ในวารสาร Karl Landsteiner University of Health Sciences (KL Krems)