שיטות למידת מכונה (ML) יכולות לאבחן במהירות ובדייקנות מוטציות בגליומות – גידולי מוח ראשוניים.
קרדיט תמונה: © UK St. Pölten/Stadlbauer
כך הראה מחקר שנערך לאחרונה על ידי אוניברסיטת קארל לנדשטיינר למדעי הבריאות (KL Krems). במחקר זה, נותחו נתונים מתמונות תהודה מגנטית פיזיו-מטבולית כדי לזהות מוטציות בגן מטבולי באמצעות ML. למוטציות של גן זה יש השפעה משמעותית על מהלך המחלה, ואבחון מוקדם חשוב לטיפול. עוד עולה מהמחקר כי נכון לעכשיו ישנם עדיין סטנדרטים לא עקביים להשגת תמונות תהודה מגנטית פיזיו-מטבולית, המונעים שימוש קליני שגרתי בשיטה.
גליומות הן גידולי המוח הראשוניים הנפוצים ביותר. למרות הפרוגנוזה עדיין גרועה, טיפולים מותאמים אישית כבר יכולים לשפר משמעותית את הצלחת הטיפול. עם זאת, השימוש בטיפולים מתקדמים שכאלה מבוסס על נתוני גידול בודדים, שאינם זמינים בקלות עבור גליומות בשל מיקומן במוח. טכניקות הדמיה כגון הדמיית תהודה מגנטית (MRI) יכולות לספק נתונים כאלה, אך הניתוחים שלהן מורכבים, תובעניים וגוזלים זמן. המכון המרכזי לאבחון רדיולוגיה רפואית בבית החולים האוניברסיטאי סנט פולטן, אתר הוראה ומחקר של KL Krems, מפתח אפוא מזה שנים שיטות מכונה ולמידה עמוקה במטרה להפוך ניתוחים כאלה לאוטומטיים ולשלבם בפעולות קליניות שגרתיות. פריצת דרך נוספת הושגה כעת.
מוטציה חיובית
"למטופלים שתאי הגליומה שלהם נושאים צורה שעברה מוטציה של הגן לאיזוציטראט דהידרוגנאז (IDH) יש למעשה סיכויים קליניים טובים יותר מאלה עם צורת הבר", מסביר פרופ' אנדריאס סטדלבאואר, פיזיקאי רפואי במכון המרכזי. "משמעות הדבר היא שככל שנדע מוקדם יותר על מצב המוטציה הזה, כך נוכל להתאים את הטיפול בצורה אינדיבידואלית". הבדלים במטבוליזם האנרגיה של גידולים מוטציים וגידולים מסוג פרא עוזרים להשיג זאת. הודות לעבודה קודמת של הצוות של פרופ' סטדלבואר, ניתן למדוד אותם בקלות באמצעות MRI פיזיו-מטבולי, גם ללא דגימות רקמה. עם זאת, ניתוח והערכה של הנתונים הם תהליך מורכב וגוזל זמן רב, שקשה להשתלב בשגרה הקלינית, במיוחד מכיוון שדרושות תוצאות במהירות בגלל הפרוגנוזיות הלקויות של המטופלים.
במחקר הנוכחי, הצוות השתמש בשיטות ML כדי לנתח ולפרש נתונים אלו על מנת לקבל תוצאה מהירה יותר וכדי להיות מסוגל להתחיל שלבי טיפול מתאימים. אבל עד כמה מתקבלות התוצאות? כדי להעריך זאת, המחקר השתמש לראשונה בנתונים של 182 חולים בבית החולים האוניברסיטאי סנט פולטן, שנתוני ה-MRI שלהם נאספו על פי פרוטוקולים סטנדרטיים.
תוצאות חיוביות
"כשראינו את תוצאות ההערכה על ידי אלגוריתמי ה-ML שלנו", מסביר פרופ' סטדלבאואר, "היינו מאוד מרוצים. השגנו דיוק של 91.7% ודיוק של 87.5% בהבחנה בין גידולים עם הגן הפראי לאלו עם הצורה המוטטית. לאחר מכן השווינו את הערכים הללו עם ניתוחי ML של נתוני MRI קליניים קלאסיים והצלחנו להראות שהשימוש בנתוני MRI פיזיו-מטבוליים כבסיס נתן תוצאות טובות יותר באופן משמעותי".
עם זאת, עליונות זו התקיימה רק כל עוד הנתונים שנאספו בסנט פולטן נותחו על פי פרוטוקול סטנדרטי. זה לא היה המקרה כאשר שיטת ML יושמה על נתונים חיצוניים, כלומר נתוני MRI ממאגרי מידע של בתי חולים אחרים. במצב זה, שיטת ה-ML שהוכשרה עם נתוני MRI קליניים קלאסיים הוכיחה את עצמה כמוצלחת יותר.
העובדה שניתוח ה-ML של נתוני MRI פיזיו-מטבוליים התפקד כאן גרוע יותר, נובעת מכך שהטכנולוגיה עדיין צעירה ונמצאת בשלב פיתוח ניסיוני. שיטות איסוף הנתונים עדיין משתנות מבית חולים לבית חולים, מה שמוביל לעיוותים בניתוח ה-ML".
פרופ' אנדריאס סטדלבאואר, פיזיקאי רפואי, המכון המרכזי
אולם עבור המדען, הבעיה היא "רק" אחת של סטנדרטיזציה, שתתעורר בהכרח עם השימוש הגובר ב-MRI פיזיו-מטבולי בבתי חולים שונים. השיטה עצמה – ההערכה החוסכת בזמן של נתוני MRI פיזיו-מטבוליים באמצעות שיטות ML – הוכחה כמעולה. לכן זוהי גישה מצוינת לקבוע את מצב המוטציה ב-IDH של חולי גליומה לפני הניתוח ולהתאים את אפשרויות הטיפול.
