Maschinelles Lernen verbessert Früherkennung von Gliom-Mutationen

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 Krems untermauert. In dieser Studie wurden physiometabolische Magnetresonanztomographie-Daten (MRT) mittels ML-Methoden analysiert, um Mutationen in einem Stoffwechselgen zu identifizieren. Mutationen in diesem Gen haben einen signifikanten Einfluss auf den Krankheitsverlauf, und eine frühzeitige Diagnose ist für die Behandlung wichtig. Die Studie zeigt auch, dass es derzeit inkonsistente Standards für die Durchführung physiometabolischer MRT-Bilder gibt, was den routinemäßigen klinischen Einsatz der Methode erschwert.

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

„Patienten, deren Gliomzellen eine mutierte Form des Isocitrat-Dehydrogenase (IDH)-Gens tragen, haben tatsächlich eine bessere klinische Prognose als Patienten mit dem Wildtyp“, erklärt Professor Andreas Stadlbauer, Medizinphysiker am Zentralinstitut. „Das bedeutet: Je früher wir den Mutationsstatus kennen, desto besser können wir die Behandlung individualisieren.“ Unterschiede im Energiestoffwechsel von mutierten und Wildtyp-Tumoren helfen dabei. Dank früherer Arbeiten von Professor Stadlbauers Team lassen sich diese mittels physiometabolischer MRT auch ohne Gewebeproben gut messen. Die Analyse und Auswertung der Daten ist jedoch ein sehr komplexer und zeitaufwändiger Prozess, der sich nur schwer in den klinischen Alltag integrieren lässt, zumal die Ergebnisse aufgrund der schlechten Prognose der Patienten schnell benötigt werden.

In der aktuellen Studie nutzte 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 beurteilen, nutzte die Studie zunächst Daten von 182 Patientinnen und Patienten des Universitätsklinikums St. Pölten, deren MRT-Daten nach standardisierten Protokollen erhoben wurden.

„Als wir die Ergebnisse unserer ML-Algorithmen sahen“, erklärt Professor Stadlbauer, „waren wir sehr zufrieden. Wir erreichten eine Genauigkeit von 91,7 % und eine Präzision von 87,5 % bei der Unterscheidung zwischen Tumoren mit dem Wildtyp des Gens und solchen mit der mutierten Form. Diese Werte verglichen wir anschließend mit ML-Analysen klassischer klinischer MRT-Daten und konnten zeigen, dass wir auf Basis physiometabolischer MRT-Daten deutlich bessere Ergebnisse erzielten.“

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

Der Grund für die schlechteren Ergebnisse der ML-Analyse physiometabolischer MRT-Daten liegt darin, dass die Technologie noch jung und im experimentellen Entwicklungsstadium ist. Die Methoden der Datenerhebung variieren noch immer von Krankenhaus zu Krankenhaus, was zu Verzerrungen in der ML-Analyse führt.

Für den Wissenschaftler besteht das Problem „nur“ in der Standardisierung, die mit der zunehmenden Nutzung der physiometabolischen MRT in verschiedenen Krankenhäusern zwangsläufig entstehen wird. Die Methode selbst – die schnelle Auswertung physiometabolischer MRT-Daten mittels ML-Methoden – hat hervorragende Ergebnisse gezeigt. Daher ist sie ein hervorragender Ansatz, um den IDH-Mutationsstatus von Gliompatienten vor der Operation zu bestimmen und die Behandlungsmöglichkeiten zu individualisieren.

Die Ergebnisse der Studie wurden in der Fachzeitschrift Karl Landsteiner Privatuniversität für Gesundheitswissenschaften (KL Krems) veröffentlicht.