Pembelajaran mesin meningkatkan deteksi dini mutasi glioma

Metode pembelajaran mesin (ML) dapat dengan cepat dan akurat mendiagnosis mutasi pada glioma, tumor otak primer.

Hal ini didukung oleh studi terkini yang dilakukan oleh Karl Landsteiner University of Medical Sciences (KL Krems). Dalam studi ini, data pencitraan resonansi magnetik (MRI) fisiometabolik dianalisis menggunakan metode ML untuk mengidentifikasi mutasi pada gen metabolik. Mutasi pada gen ini memiliki dampak signifikan pada perjalanan penyakit, dan diagnosis dini penting untuk pengobatan. Studi ini juga menunjukkan bahwa saat ini terdapat standar yang tidak konsisten untuk memperoleh gambar MRI fisiometabolik, yang menghambat penggunaan klinis rutin metode ini.

Glioma merupakan tumor otak primer yang paling umum. Meskipun prognosisnya masih buruk, terapi yang dipersonalisasi dapat meningkatkan keberhasilan pengobatan secara signifikan. Akan tetapi, penggunaan terapi canggih tersebut bergantung pada data tumor individual, yang sulit diperoleh untuk glioma karena lokasinya di otak. Metode pencitraan seperti pencitraan resonansi magnetik (MRI) dapat menyediakan data tersebut, tetapi analisisnya rumit, padat karya, dan memakan waktu. Institut Pusat Radiologi Medis Diagnostik di Rumah Sakit Universitas St. Pölten, basis pengajaran dan penelitian KL Krems, telah mengembangkan metode pembelajaran mesin dan mendalam selama bertahun-tahun untuk mengotomatiskan analisis tersebut dan mengintegrasikannya ke dalam prosedur klinis rutin. Kini terobosan lain telah tercapai.

"Pasien yang sel gliomanya membawa bentuk mutasi gen isositrat dehidrogenase (IDH) sebenarnya memiliki prospek klinis yang lebih baik daripada mereka yang memiliki tipe liar," jelas Profesor Andreas Stadlbauer, seorang fisikawan medis di Zentralinstitut. "Ini berarti bahwa semakin awal kita mengetahui status mutasi, semakin baik kita dapat mengindividualisasikan pengobatan." Perbedaan dalam metabolisme energi tumor bermutasi dan tipe liar membantu dalam hal ini. Berkat kerja tim Profesor Stadlbauer sebelumnya, hal ini dapat diukur dengan mudah menggunakan MRI fisiometabolik, bahkan tanpa sampel jaringan. Namun, menganalisis dan mengevaluasi data merupakan proses yang sangat rumit dan memakan waktu yang sulit untuk diintegrasikan ke dalam praktik klinis, terutama karena hasil diperlukan dengan cepat karena prognosis pasien yang buruk.

Dalam penelitian terkini, tim menggunakan metode ML untuk menganalisis dan menginterpretasikan data ini guna memperoleh hasil lebih cepat dan dapat memulai langkah perawatan yang tepat. Namun, seberapa akurat hasilnya? Untuk menilai hal ini, penelitian ini pertama-tama menggunakan data dari 182 pasien dari Rumah Sakit Universitas St. Pölten, yang data MRI-nya dikumpulkan menurut protokol standar.

"Saat kami melihat hasil algoritme ML kami," jelas Profesor Stadlbauer, "kami sangat senang. Kami mencapai akurasi 91,7% dan presisi 87,5% dalam membedakan tumor dengan tipe gen liar dan tumor dengan bentuk mutasi. Kami kemudian membandingkan nilai-nilai ini dengan analisis ML dari data MRI klinis klasik dan mampu menunjukkan bahwa penggunaan data MRI fisiometabolik sebagai dasar memberikan hasil yang jauh lebih baik."

Namun, keunggulan ini hanya berlaku saat menganalisis data yang dikumpulkan di St. Pölten menggunakan protokol standar. Ini tidak terjadi saat metode ML diterapkan pada data eksternal, yaitu data MRI dari basis data rumah sakit lain. Dalam situasi ini, metode ML yang dilatih pada data MRI klinis klasik lebih berhasil.

Alasan mengapa analisis ML data MRI fisiometabolik menunjukkan hasil yang lebih buruk adalah karena teknologinya masih baru dan dalam tahap pengembangan eksperimental. Metode pengumpulan data masih bervariasi dari satu rumah sakit ke rumah sakit lainnya, yang menyebabkan bias dalam analisis ML.

Bagi ilmuwan, masalahnya "hanya" pada standarisasi, yang pasti akan muncul seiring dengan meningkatnya penggunaan MRI fisiometabolik di berbagai rumah sakit. Metode itu sendiri - penilaian cepat data MRI fisiometabolik menggunakan metode ML - telah menunjukkan hasil yang sangat baik. Oleh karena itu, ini merupakan pendekatan yang sangat baik untuk menentukan status mutasi IDH pada pasien glioma sebelum operasi dan untuk mengindividualisasikan pilihan pengobatan.

Hasil penelitian ini dipublikasikan dalam jurnal Karl Landsteiner University of Health Sciences (KL Krems).