Maschinelles Lernen verbessert Früherkennung von Gliommutationen

Methoden des maschinellen Lernens (ML) können Mutationen in Gliomen – primären Hirntumoren – schnell und genau diagnostizieren.

Dies wird durch eine aktuelle Studie der Karl Landsteiner Privatuniversität für Medizinische Wissenschaften (KL Krems) bestätigt. In dieser Studie wurden physiometabolische Magnetresonanztomographiedaten (MRT) mithilfe von ML-Methoden analysiert, um Mutationen in einem Stoffwechselgen zu identifizieren. Mutationen in diesem Gen haben einen erheblichen Einfluss auf den Krankheitsverlauf, und eine frühzeitige Diagnose ist für die Behandlung wichtig. Die Studie zeigt auch, dass es derzeit inkonsistente Standards für die Erlangung physiometabolischer MR-Bilder gibt, was den routinemäßigen klinischen Einsatz der Methode behindert.

Gliome sind die häufigsten primären Hirntumoren. Trotz der immer noch schlechten Prognose können personalisierte Therapien den Behandlungserfolg deutlich verbessern. Der Einsatz solcher fortschrittlichen Therapien ist jedoch auf individuelle Tumordaten angewiesen, die für Gliome aufgrund ihrer Lage im Gehirn nur schwer zu erhalten sind. Bildgebende Verfahren wie die Magnetresonanztomographie (MRT) können solche Daten zwar liefern, ihre Analyse ist jedoch komplex, arbeitsintensiv und zeitaufwändig. Das Zentralinstitut für Diagnostische Medizinische Radiologie am Universitätsklinikum St. Pölten, der Lehr- und Forschungsbasis der KL Krems, entwickelt seit vielen Jahren Machine- und Deep-Learning-Methoden, um solche Analysen zu automatisieren und in den klinischen Routinebetrieb zu integrieren. Nun gelang ein weiterer Durchbruch.

„PatientInnen, deren Gliomzellen eine mutierte Form des Gens für die Isocitrat-Dehydrogenase (IDH) tragen, haben tatsächlich bessere klinische Aussichten als jene mit dem Wildtyp“, erklärt Professor Andreas Stadlbauer, Medizinphysiker am Zentralinstitut. „Das heißt: Je früher wir den Mutationsstatus kennen, desto besser können wir die Behandlung individualisieren.“ Dabei helfen Unterschiede im Energiestoffwechsel von mutierten und Wildtyp-Tumoren. Dank früherer Arbeiten des Teams um Professor Stadlbauer können sie mithilfe der physiometabolischen MRT auch ohne Gewebeproben problemlos gemessen werden. Die Datenanalyse und -auswertung ist jedoch ein sehr komplexer und zeitaufwändiger Prozess, der sich nur schwer in die klinische Praxis integrieren lässt, insbesondere weil aufgrund der schlechten Prognose der Patienten Ergebnisse schnell benötigt werden.

In der aktuellen Studie verwendete das Team ML-Methoden zur Analyse und Interpretation dieser Daten, um schneller Ergebnisse zu erhalten und entsprechende Behandlungsschritte einleiten zu können. Doch wie genau sind die Ergebnisse? Um dies zu bewerten, wurden in der Studie zunächst Daten von 182 Patienten des Universitätsklinikums St. Pölten verwendet, deren MRT-Daten mithilfe standardisierter Protokolle erhoben wurden.

„Als wir die Auswertungsergebnisse unserer ML-Algorithmen sahen“, erklärt Professor Stadlbauer, „waren wir sehr erfreut. Wir erreichten eine Genauigkeit von 91,7 % und eine Genauigkeit von 87,5 % bei der Unterscheidung von Tumoren mit dem Gen-Wildtyp von solchen mit mutierter Form.“ Diese Werte haben wir dann mit ML-Analysen klassischer klinischer MRT-Daten verglichen und konnten zeigen, dass die Verwendung von physiometabolischen MRT-Daten als Grundlage deutlich bessere Ergebnisse lieferte.“

Diese Überlegenheit blieb jedoch nur bei der Analyse von in St. Pölten gesammelten Daten mit einem standardisierten Protokoll erhalten. Dies war nicht der Fall, wenn die ML-Methode auf externe Daten angewendet wurde, d. H. MRT-Daten aus anderen Krankenhausdatenbanken. In dieser Situation war die auf klassischen klinischen MRT-Daten trainierte ML-Methode erfolgreicher.

Der Grund, warum die Analyse von physiometabolischen MRT-Daten mit ML schlechter abschnitt, liegt darin, dass die Technologie noch jung und im experimentellen Entwicklungsstadium ist. Die Methoden zur Datenerfassung variieren immer noch von Krankenhaus zu Krankenhaus, was zu Verzerrungen bei der ML-Analyse führt.

Für den Wissenschaftler ist das Problem „nur“ die Standardisierung, die mit der zunehmenden Verwendung von physiometabolischer MRT in verschiedenen Krankenhäusern zwangsläufig entstehen wird. Die Methode selbst – die schnelle Auswertung von physiometabolischen MRT-Daten mit ML-Methoden – hat sich als hervorragend erwiesen Ergebnisse. Daher ist dies ein ausgezeichneter Ansatz, um den IDH-Mutationsstatus bei Gliompatienten präoperativ zu bestimmen und die Behandlungsmöglichkeiten zu individualisieren.

Die Studienergebnisse wurden in der Zeitschrift Karl Landsteiner Universität für Gesundheitswissenschaften (KL Krems) veröffentlicht.