L'apprendimento automatico migliora l'individuazione precoce delle mutazioni del glioma

I metodi di apprendimento automatico (ML) possono diagnosticare in modo rapido e accurato le mutazioni nei gliomi, tumori cerebrali primari.

Ciò è supportato da un recente studio condotto dall'Università di Scienze Mediche Karl Landsteiner (KL Krems). In questo studio, i dati di risonanza magnetica (RM) fisiometabolica sono stati analizzati utilizzando metodi ML per identificare mutazioni in un gene metabolico. Le mutazioni in questo gene hanno un impatto significativo sul decorso della malattia e una diagnosi precoce è fondamentale per il trattamento. Lo studio mostra inoltre che attualmente esistono standard disomogenei per l'ottenimento di immagini RM fisiometaboliche, il che ostacola l'uso clinico di routine del metodo.

I gliomi sono i tumori cerebrali primari più comuni. Sebbene la loro prognosi sia ancora infausta, le terapie personalizzate possono migliorare significativamente il successo del trattamento. Tuttavia, l'uso di queste terapie avanzate si basa su dati tumorali individuali, difficili da ottenere per i gliomi a causa della loro localizzazione nel cervello. Metodi di imaging come la risonanza magnetica (RM) possono fornire tali dati, ma la loro analisi è complessa, laboriosa e richiede molto tempo. L'Istituto Centrale di Radiologia Medica Diagnostica dell'Ospedale Universitario di St. Pölten, sede di insegnamento e ricerca del KL Krems, sviluppa da molti anni metodi di apprendimento automatico e profondo per automatizzare tali analisi e integrarle nelle procedure cliniche di routine. Ora è stato raggiunto un altro traguardo.

"I pazienti le cui cellule di glioma presentano una forma mutata del gene dell'isocitrato deidrogenasi (IDH) hanno in realtà una prognosi clinica migliore rispetto a quelli con la forma selvatica", spiega il Professor Andreas Stadlbauer, fisico medico presso il Zentralinstitut. "Questo significa che prima conosciamo lo stato della mutazione, meglio possiamo personalizzare il trattamento". Le differenze nel metabolismo energetico dei tumori mutati e di quelli selvatici contribuiscono a questo scopo. Grazie a precedenti lavori del team del Professor Stadlbauer, queste possono essere facilmente misurate utilizzando la risonanza magnetica fisiometabolica, anche senza campioni di tessuto. Tuttavia, l'analisi e la valutazione dei dati è un processo molto complesso e dispendioso in termini di tempo, difficile da integrare nella pratica clinica, soprattutto perché i risultati sono necessari in tempi rapidi a causa della prognosi sfavorevole dei pazienti.

Nello studio attuale, il team ha utilizzato metodi di ML per analizzare e interpretare questi dati al fine di ottenere risultati più rapidamente e poter avviare le fasi di trattamento appropriate. Ma quanto sono accurati i risultati? Per valutarlo, lo studio ha inizialmente utilizzato i dati di 182 pazienti dell'Ospedale Universitario di St. Pölten, i cui dati di risonanza magnetica sono stati raccolti secondo protocolli standardizzati.

"Quando abbiamo visto i risultati dei nostri algoritmi di ML", spiega il Professor Stadlbauer, "siamo rimasti molto soddisfatti. Abbiamo raggiunto un'accuratezza del 91,7% e una precisione dell'87,5% nel distinguere tra tumori con la forma selvatica del gene e quelli con la forma mutata. Abbiamo poi confrontato questi valori con le analisi di ML di dati di risonanza magnetica clinica classica e siamo stati in grado di dimostrare che l'utilizzo di dati di risonanza magnetica fisiometabolica come base ha prodotto risultati significativamente migliori".

Tuttavia, questa superiorità si è verificata solo analizzando i dati raccolti a St. Pölten utilizzando un protocollo standardizzato. Ciò non si è verificato quando il metodo ML è stato applicato a dati esterni, ovvero dati di risonanza magnetica provenienti da altri database ospedalieri. In questo caso, il metodo ML addestrato su dati di risonanza magnetica clinica classica ha avuto maggiore successo.

Il motivo per cui l'analisi ML dei dati di risonanza magnetica fisiometabolica ha mostrato risultati peggiori è che la tecnologia è ancora giovane e in fase di sviluppo sperimentale. I metodi di raccolta dati variano ancora da ospedale a ospedale, il che porta a distorsioni nell'analisi ML.

Per lo scienziato, il problema è "solo" quello della standardizzazione, che inevitabilmente emergerà con il crescente utilizzo della risonanza magnetica fisiometabolica in diversi ospedali. Il metodo stesso – la valutazione rapida dei dati della risonanza magnetica fisiometabolica mediante metodi di ML – ha mostrato risultati eccellenti. Pertanto, rappresenta un approccio eccellente per determinare lo stato di mutazione IDH nei pazienti affetti da glioma prima dell'intervento chirurgico e per personalizzare le opzioni di trattamento.

I risultati dello studio sono stati pubblicati sulla rivista Karl Landsteiner University of Health Sciences (KL Krems).