التعلم الآلي يحسن الاكتشاف المبكر لطفرات الورم الدبقي

يمكن لأساليب التعلم الآلي (ML) تشخيص الطفرات بسرعة ودقة في الأورام الدبقية - أورام المخ الأولية.

هذا ما تؤكده دراسة حديثة أجرتها جامعة كارل لاندشتاينر للعلوم الطبية (KL Krems). في هذه الدراسة، تم تحليل بيانات التصوير بالرنين المغناطيسي الفيزيائي (MRI) باستخدام طرق ML لتحديد الطفرات في الجين الأيضي. الطفرات في هذا الجين لها تأثير كبير على مسار المرض، والتشخيص المبكر مهم للعلاج. وتظهر الدراسة أيضًا أن هناك حاليًا معايير غير متسقة للحصول على صور الرنين المغناطيسي للتمثيل الغذائي، مما يعيق الاستخدام السريري الروتيني لهذه الطريقة.

الأورام الدبقية هي أورام الدماغ الأولية الأكثر شيوعًا. على الرغم من أن التشخيص لا يزال سيئًا، فإن العلاجات الشخصية يمكن أن تحسن بشكل كبير من نجاح العلاج. ومع ذلك، فإن استخدام مثل هذه العلاجات المتقدمة يعتمد على بيانات الورم الفردية، والتي يصعب الحصول عليها للأورام الدبقية بسبب موقعها في الدماغ. يمكن لتقنيات التصوير مثل التصوير بالرنين المغناطيسي (MRI) توفير مثل هذه البيانات، لكن تحليلها معقد، ويتطلب عمالة مكثفة، ويستغرق وقتًا طويلاً. قام المعهد المركزي للأشعة الطبية التشخيصية في مستشفى جامعة سانت بولتن، وهو قاعدة التدريس والبحث في جامعة كوالالمبور كريمس، بتطوير أساليب التعلم الآلي والعميق لسنوات عديدة لأتمتة مثل هذه التحليلات ودمجها في العمليات السريرية الروتينية. والآن تم تحقيق اختراق آخر.

"المرضى الذين تحمل خلايا الورم الدبقي شكلًا متحورًا من جين إيزوسيترات ديهيدروجينيز (IDH) لديهم في الواقع آفاق سريرية أفضل من أولئك الذين يعانون من النوع البري"، يوضح البروفيسور أندرياس ستادلباور، عالم الفيزياء الطبية في المعهد المركزي. "وهذا يعني أنه كلما عرفنا حالة الطفرة بشكل أسرع، كلما تمكنا من تخصيص العلاج بشكل أفضل." تساعد الاختلافات في استقلاب الطاقة في الأورام المتحورة والبرية في ذلك. وبفضل العمل السابق الذي قام به فريق البروفيسور ستادلباور، يمكن قياسها بسهولة باستخدام التصوير بالرنين المغناطيسي الفيزيائي، حتى بدون عينات الأنسجة. ومع ذلك، يعد تحليل البيانات وتقييمها عملية معقدة للغاية وتستغرق وقتًا طويلاً ومن الصعب دمجها في الممارسة السريرية، خاصة وأن النتائج مطلوبة بسرعة بسبب سوء تشخيص المرضى.

في الدراسة الحالية، استخدم الفريق طرق تعلم الآلة لتحليل وتفسير هذه البيانات للحصول على نتائج أسرع والقدرة على بدء خطوات العلاج المناسبة. ولكن ما مدى دقة النتائج؟ لتقييم ذلك، استخدمت الدراسة لأول مرة بيانات من 182 مريضًا في مستشفى جامعة سانت بولتن، حيث تم جمع بيانات التصوير بالرنين المغناطيسي الخاصة بهم باستخدام بروتوكولات موحدة.

"عندما رأينا نتائج تقييم خوارزميات التعلم الآلي لدينا،" يوضح البروفيسور ستادلباور، "لقد كنا سعداء للغاية. لقد حققنا دقة قدرها 91.7% ودقة 87.5% في تمييز الأورام ذات النوع الجيني البري عن تلك ذات الشكل المتحور. قمنا بعد ذلك بمقارنة هذه القيم مع تحليلات ML لبيانات التصوير بالرنين المغناطيسي السريرية الكلاسيكية وتمكنا من إظهار أن استخدام بيانات التصوير بالرنين المغناطيسي الفيزيائي كأساس أدى إلى نتائج أفضل بكثير."

ومع ذلك، لم يتم الحفاظ على هذا التفوق إلا عند تحليل البيانات التي تم جمعها في سانت بولتن باستخدام بروتوكول موحد. لم يكن هذا هو الحال عندما تم تطبيق طريقة التعلم الآلي على البيانات الخارجية، أي بيانات التصوير بالرنين المغناطيسي من قواعد بيانات المستشفيات الأخرى. في هذه الحالة، كانت طريقة التعلم الآلي التي تم تدريبها على بيانات التصوير بالرنين المغناطيسي السريرية الكلاسيكية أكثر نجاحًا.

السبب في أن أداء تحليل بيانات التصوير بالرنين المغناطيسي الفيزيائي الاستقلابي باستخدام التعلم الآلي كان أسوأ هو أن التكنولوجيا لا تزال حديثة وفي المرحلة التجريبية من التطوير. لا تزال طرق جمع البيانات تختلف من مستشفى إلى آخر، مما يؤدي إلى التحيز في تحليل تعلم الآلة.

بالنسبة للعالم، تكمن المشكلة "فقط" في التوحيد القياسي الذي سينشأ حتمًا مع الاستخدام المتزايد للتصوير بالرنين المغناطيسي الفسيولوجي في المستشفيات المختلفة. وقد أظهرت الطريقة نفسها - التقييم السريع لبيانات التصوير بالرنين المغناطيسي الفيزيائي الاستقلابي باستخدام طرق التعلم الآلي - نتائج ممتازة. ولذلك، يعد هذا أسلوبًا ممتازًا لتحديد حالة طفرة IDH لدى مرضى الورم الدبقي قبل الجراحة ولتخصيص خيارات العلاج.

تم نشر نتائج الدراسة في مجلة جامعة كارل لاندشتاينر للعلوم الصحية (KL كريمس).