L’apprendimento automatico migliora la diagnosi precoce delle mutazioni del glioma

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

Ciò è confermato da un recente studio condotto dall'Università di Scienze Mediche Karl Landsteiner (KL Krems). In questo studio, i dati della risonanza magnetica (MRI) fisiometabolica sono stati analizzati utilizzando metodi ML per identificare le mutazioni in un gene metabolico. Le mutazioni in questo gene hanno un impatto significativo sul decorso della malattia e la diagnosi precoce è importante per il trattamento. Lo studio mostra inoltre che attualmente esistono standard incoerenti 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. Nonostante la prognosi ancora sfavorevole, le terapie personalizzate possono migliorare significativamente il successo del trattamento. Tuttavia, l’uso di tali terapie avanzate si basa su dati sui singoli tumori, che sono difficili da ottenere per i gliomi a causa della loro posizione nel cervello. Tecniche di imaging come la risonanza magnetica (MRI) possono fornire tali dati, ma la loro analisi è complessa, laboriosa e richiede tempo. L'Istituto centrale di radiologia medica diagnostica dell'Ospedale universitario St. Pölten, base di insegnamento e ricerca del KL Krems, sviluppa da molti anni metodi di machine learning e deep learning per automatizzare tali analisi e integrarle nelle operazioni cliniche di routine. Ora è stato raggiunto un altro passo avanti.

"I pazienti le cui cellule di glioma portano una forma mutata del gene dell'isocitrato deidrogenasi (IDH) hanno in realtà prospettive cliniche migliori rispetto a quelli con il tipo selvaggio", spiega il professor Andreas Stadlbauer, fisico medico presso l'Istituto Centrale. "Ciò significa che prima conosceremo lo stato della mutazione, meglio potremo personalizzare il trattamento." Le differenze nel metabolismo energetico dei tumori mutati e di tipo selvaggio aiutano in questo. Grazie al lavoro precedente del team del professor Stadlbauer, possono essere facilmente misurati utilizzando la risonanza magnetica fisiometabolica, anche senza campioni di tessuto. Tuttavia, l'analisi e la valutazione dei dati sono un processo molto complesso e dispendioso in termini di tempo, difficile da integrare nella pratica clinica, soprattutto perché i risultati sono necessari rapidamente a causa della prognosi sfavorevole dei pazienti.

Nel presente studio, il team ha utilizzato metodi ML per analizzare e interpretare questi dati per ottenere risultati più rapidamente ed essere in grado di avviare fasi di trattamento adeguate. Ma quanto sono accurati i risultati? Per valutarlo, lo studio ha innanzitutto utilizzato i dati di 182 pazienti dell'ospedale universitario St. Pölten, i cui dati MRI sono stati raccolti utilizzando protocolli standardizzati.

"Quando abbiamo visto i risultati della valutazione dei nostri algoritmi ML", spiega il professor Stadlbauer, "siamo rimasti molto soddisfatti. Abbiamo raggiunto un'accuratezza del 91,7% e un'accuratezza dell'87,5% nel distinguere i tumori con il gene wild type da quelli con la forma mutata. Abbiamo quindi confrontato questi valori con le analisi ML dei dati MRI clinici classici e siamo stati in grado di dimostrare che l'utilizzo dei dati MRI fisiometabolici come base ha prodotto risultati significativamente migliori."

Tuttavia, questa superiorità è stata mantenuta solo analizzando i dati raccolti a St. Pölten utilizzando un protocollo standardizzato. Ciò non si verificava quando il metodo ML veniva applicato a dati esterni, ovvero dati MRI provenienti da altri database ospedalieri. In questa situazione, il metodo ML addestrato sui dati clinici MRI classici ha avuto più successo.

Il motivo per cui l'analisi dei dati MRI fisiometabolici mediante ML ha ottenuto risultati peggiori è che la tecnologia è ancora giovane e in fase di sviluppo sperimentale. I metodi di raccolta dei dati variano ancora da ospedale a ospedale, portando a distorsioni nell'analisi ML.

Per lo scienziato il problema è “solo” la standardizzazione che inevitabilmente nascerà con il crescente utilizzo della risonanza magnetica fisiometabolica nei diversi ospedali. Il metodo stesso, ovvero la valutazione rapida dei dati MRI fisiometabolici utilizzando metodi ML, ha mostrato risultati eccellenti. Pertanto, questo è un approccio eccellente per determinare lo stato della mutazione IDH nei pazienti con glioma prima dell'intervento e per personalizzare le opzioni di trattamento.

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