Pembelajaran mesin meningkatkan deteksi dini mutasi glioma
Terakhir ditinjau: 14.06.2024
Semua konten iLive ditinjau secara medis atau diperiksa fakta untuk memastikan akurasi faktual sebanyak mungkin.
Kami memiliki panduan sumber yang ketat dan hanya menautkan ke situs media terkemuka, lembaga penelitian akademik, dan, jika mungkin, studi yang ditinjau secara medis oleh rekan sejawat. Perhatikan bahwa angka dalam tanda kurung ([1], [2], dll.) Adalah tautan yang dapat diklik untuk studi ini.
Jika Anda merasa salah satu konten kami tidak akurat, ketinggalan zaman, atau dipertanyakan, pilih dan tekan Ctrl + Enter.
Metode pembelajaran mesin (ML) dapat mendiagnosis mutasi pada glioma dengan cepat dan akurat - tumor otak primer.
Hal ini dikonfirmasi oleh penelitian terbaru yang dilakukan oleh Universitas Ilmu Kedokteran Karl Landsteiner (KL Krems). Dalam penelitian ini, data pencitraan resonansi magnetik fisiometabolik (MRI) dianalisis menggunakan metode ML untuk mengidentifikasi mutasi pada gen metabolik. Mutasi pada gen ini berdampak signifikan terhadap perjalanan penyakit, dan diagnosis dini penting untuk pengobatan. Studi ini juga menunjukkan bahwa saat ini terdapat standar yang tidak konsisten untuk memperoleh gambar MR fisiometabolik, sehingga menghambat penggunaan klinis rutin metode ini.
Glioma adalah tumor otak primer yang paling umum. Meskipun prognosisnya masih buruk, terapi yang dipersonalisasi dapat meningkatkan keberhasilan pengobatan secara signifikan. Namun, penggunaan terapi tingkat lanjut tersebut bergantung pada data tumor individu, yang sulit diperoleh untuk glioma karena lokasinya di otak. Teknik pencitraan seperti Magnetic resonance imaging (MRI) dapat menyediakan data tersebut, namun analisisnya rumit, membutuhkan banyak tenaga, dan memakan waktu. Institut Pusat Radiologi Medis Diagnostik di Rumah Sakit Universitas St. Pölten, basis pengajaran dan penelitian KL Krems, telah mengembangkan metode mesin dan pembelajaran mendalam selama bertahun-tahun untuk mengotomatiskan analisis tersebut dan mengintegrasikannya ke dalam operasi klinis rutin. Kini terobosan lain telah dicapai.
"Pasien yang sel gliomanya membawa gen isocitrate dehydrogenase (IDH) yang bermutasi sebenarnya memiliki prospek klinis yang lebih baik dibandingkan pasien dengan tipe liar," jelas Profesor Andreas Stadlbauer, fisikawan medis di Central Institute. “Ini berarti semakin cepat kita mengetahui status mutasi, semakin baik kita dapat melakukan pengobatan secara individual.” Perbedaan metabolisme energi antara tumor yang bermutasi dan tumor tipe liar membantu dalam hal ini. Berkat penelitian sebelumnya yang dilakukan oleh tim Profesor Stadlbauer, mereka dapat dengan mudah diukur menggunakan MRI fisiometabolik, bahkan tanpa sampel jaringan. Namun, analisis dan evaluasi data merupakan proses yang sangat kompleks dan memakan waktu sehingga sulit diintegrasikan ke dalam praktik klinis, terutama karena hasil diperlukan dengan cepat karena prognosis pasien yang buruk.
Dalam penelitian ini, tim menggunakan metode ML untuk menganalisis dan menafsirkan data ini agar mendapatkan hasil lebih cepat dan dapat memulai langkah pengobatan yang tepat. Namun seberapa akurat hasilnya? Untuk mengevaluasi hal ini, penelitian ini pertama-tama menggunakan data dari 182 pasien di Rumah Sakit Universitas St. Pölten, yang data MRI-nya dikumpulkan menggunakan protokol standar.
“Saat kami melihat hasil evaluasi algoritme ML kami,” jelas Profesor Stadlbauer, “kami sangat senang. Kami mencapai akurasi 91,7% dan akurasi 87,5% dalam membedakan tumor dengan gen tipe liar dan tumor dengan bentuk mutasi. Kami kemudian membandingkan nilai-nilai ini dengan analisis ML data MRI klinis klasik dan mampu menunjukkan bahwa menggunakan data MRI fisiometabolik sebagai dasar memberikan hasil yang jauh lebih baik."
Namun, keunggulan ini hanya dipertahankan ketika menganalisis data yang dikumpulkan di St. Pölten menggunakan protokol standar. Hal ini tidak terjadi ketika metode ML diterapkan pada data eksternal, yaitu data MRI dari database rumah sakit lain. Dalam situasi ini, metode ML yang dilatih berdasarkan data MRI klinis klasik lebih berhasil.
Alasan mengapa analisis data MRI fisiometabolik menggunakan ML memiliki kinerja yang lebih buruk adalah karena teknologinya masih muda dan dalam tahap pengembangan eksperimental. Metode pengumpulan data masih bervariasi dari satu rumah sakit ke rumah sakit lainnya, sehingga menyebabkan bias dalam analisis ML.
Bagi ilmuwan, masalahnya “hanya” pada standardisasi yang pasti akan muncul seiring dengan meningkatnya penggunaan MRI fisiometabolik di berbagai rumah sakit. Metodenya sendiri—penilaian cepat terhadap 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 menentukan pilihan pengobatan secara individual.
Hasil penelitian ini dipublikasikan di jurnal Karl Landsteiner University of Health Sciences (KL Krems).