O aprendizado de máquina melhora a detecção precoce de mutações de glioma

Métodos de aprendizado de máquina (ML) podem diagnosticar mutações com rapidez e precisão em gliomas, tumores cerebrais primários.

Isso é confirmado por um estudo recente realizado pela Universidade de Ciências Médicas Karl Landsteiner (KL Krems). Neste estudo, os dados de ressonância magnética (RM) fisiometabólica foram analisados usando métodos de ML para identificar mutações em um gene metabólico. As mutações neste gene têm um impacto significativo no curso da doença e o diagnóstico precoce é importante para o tratamento. O estudo também mostra que atualmente existem padrões inconsistentes para a obtenção de imagens de RM fisiometabólicas, o que dificulta o uso clínico rotineiro do método.

Os gliomas são os tumores cerebrais primários mais comuns. Apesar do prognóstico ainda desfavorável, as terapias personalizadas podem melhorar significativamente o sucesso do tratamento. No entanto, o uso de tais terapias avançadas depende de dados tumorais individuais, que são difíceis de obter para gliomas devido à sua localização no cérebro. Técnicas de imagem como a ressonância magnética (MRI) podem fornecer esses dados, mas sua análise é complexa, trabalhosa e demorada. O Instituto Central de Radiologia Médica Diagnóstica do Hospital Universitário St. Pölten, base de ensino e pesquisa de KL Krems, vem desenvolvendo métodos de aprendizagem automática e profunda há muitos anos para automatizar essas análises e integrá-las em operações clínicas de rotina. Agora, outro avanço foi alcançado.

"Os pacientes cujas células de glioma carregam uma forma mutada do gene da isocitrato desidrogenase (IDH) têm, na verdade, melhores perspectivas clínicas do que aqueles com o tipo selvagem", explica o professor Andreas Stadlbauer, físico médico do Instituto Central. “Isto significa que quanto mais cedo soubermos o estado da mutação, melhor poderemos individualizar o tratamento”. As diferenças no metabolismo energético dos tumores mutantes e do tipo selvagem ajudam nisso. Graças ao trabalho anterior da equipe do professor Stadlbauer, eles podem ser facilmente medidos por meio de ressonância magnética fisiometabólica, mesmo sem amostras de tecido. No entanto, a análise e avaliação de dados é um processo muito complexo e demorado, difícil de integrar na prática clínica, especialmente porque os resultados são necessários rapidamente devido ao mau prognóstico dos pacientes.

No estudo atual, a equipe usou métodos de ML para analisar e interpretar esses dados para obter resultados mais rapidamente e poder iniciar as etapas de tratamento adequadas. Mas quão precisos são os resultados? Para avaliar isso, o estudo utilizou primeiro dados de 182 pacientes do Hospital Universitário St. Pölten, cujos dados de ressonância magnética foram coletados usando protocolos padronizados.

“Quando vimos os resultados da avaliação dos nossos algoritmos de ML”, explica o professor Stadlbauer, “ficamos muito satisfeitos. Alcançamos uma acurácia de 91,7% e uma acurácia de 87,5% em distinguir tumores com o gene tipo selvagem daqueles com forma mutada. Em seguida, comparamos esses valores com análises de ML de dados clínicos clássicos de ressonância magnética e conseguimos mostrar que o uso de dados de ressonância magnética fisiometabólica como base produziu resultados significativamente melhores."

No entanto, esta superioridade só foi mantida ao analisar os dados coletados em St. Pölten usando um protocolo padronizado. Este não foi o caso quando o método ML foi aplicado a dados externos, ou seja, dados de ressonância magnética de outras bases de dados hospitalares. Nessa situação, o método de ML treinado em dados clínicos clássicos de ressonância magnética foi mais bem-sucedido.

A razão pela qual a análise de dados de ressonância magnética fisiometabólica usando ML teve pior desempenho é que a tecnologia ainda é jovem e está em estágio experimental de desenvolvimento. Os métodos de coleta de dados ainda variam de hospital para hospital, levando a vieses na análise de ML.

Para o cientista, o problema é “apenas” a padronização que inevitavelmente surgirá com o uso crescente da ressonância magnética fisiometabólica em diferentes hospitais. O método em si – avaliação rápida de dados de ressonância magnética fisiometabólica usando métodos de ML – mostrou excelentes resultados. Portanto, esta é uma excelente abordagem para determinar o status da mutação IDH em pacientes com glioma no pré-operatório e para individualizar as opções de tratamento.

Os resultados do estudo foram publicados na revista Karl Landsteiner University of Health Sciences (KL Krems).