A aprendizagem automática melhora a deteção precoce de mutações em gliomas

Métodos de aprendizado de máquina (ML) podem diagnosticar de forma rápida e precisa mutações em gliomas, tumores cerebrais primários.

Isso é corroborado por um estudo recente conduzido pela Universidade Karl Landsteiner de Ciências Médicas (KL Krems). Neste estudo, dados de ressonância magnética (RM) fisiometabólica foram analisados usando métodos de ML para identificar mutações em um gene metabólico. Mutações nesse 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 fisiometabólica, o que dificulta o uso clínico rotineiro do método.

Gliomas são os tumores cerebrais primários mais comuns. Embora seu prognóstico ainda seja ruim, terapias personalizadas podem melhorar significativamente o sucesso do tratamento. No entanto, o uso dessas terapias avançadas depende de dados individuais do tumor, o que é difícil de obter para gliomas devido à sua localização no cérebro. Métodos de imagem como a ressonância magnética (RM) podem fornecer esses dados, mas sua análise é complexa, trabalhosa e demorada. O Instituto Central de Radiologia Médica Diagnóstica do Hospital Universitário St. Pölten, a base de ensino e pesquisa da KL Krems, vem desenvolvendo métodos de aprendizado de máquina e aprendizado profundo há muitos anos para automatizar essas análises e integrá-las aos procedimentos clínicos de rotina. Agora, outro avanço foi alcançado.

"Pacientes cujas células de glioma carregam uma forma mutada do gene da isocitrato desidrogenase (IDH) têm, na verdade, um prognóstico clínico melhor do que aqueles com o tipo selvagem", explica o Professor Andreas Stadlbauer, físico médico do Zentralinstitut. "Isso significa que quanto mais cedo soubermos o estado da mutação, melhor poderemos individualizar o tratamento." As diferenças no metabolismo energético dos tumores mutados e do tipo selvagem contribuem para isso. Graças a trabalhos anteriores da equipe do Professor Stadlbauer, essas diferenças podem ser facilmente medidas por meio de ressonância magnética fisiometabólica, mesmo sem amostras de tecido. No entanto, a análise e a avaliação dos dados são um processo muito complexo e demorado, difícil de integrar à prática clínica, especialmente porque os resultados são necessários rapidamente devido ao mau prognóstico dos pacientes.

No estudo atual, a equipe utilizou métodos de aprendizado de máquina para analisar e interpretar esses dados, a fim de obter resultados mais rapidamente e iniciar as etapas de tratamento adequadas. Mas qual a precisão dos resultados? Para avaliar isso, o estudo utilizou inicialmente dados de 182 pacientes do Hospital Universitário St. Pölten, cujos dados de ressonância magnética foram coletados de acordo com protocolos padronizados.

"Quando vimos os resultados dos nossos algoritmos de ML", explica o Professor Stadlbauer, "ficamos muito satisfeitos. Alcançamos uma precisão de 91,7% e uma precisão de 87,5% na distinção entre tumores com o tipo selvagem do gene e aqueles com a forma mutada. Em seguida, comparamos esses valores com análises de ML de dados clínicos clássicos de ressonância magnética e conseguimos demonstrar que o uso de dados de ressonância magnética fisiometabólica como base produziu resultados significativamente melhores."

No entanto, essa superioridade só se manteve ao analisar dados coletados em St. Pölten usando um protocolo padronizado. Isso não ocorreu quando o método de aprendizado de máquina foi aplicado a dados externos, ou seja, dados de ressonância magnética de outros bancos de dados hospitalares. Nessa situação, o método de aprendizado de máquina treinado com dados clínicos clássicos de ressonância magnética foi mais eficaz.

A razão pela qual a análise de ML dos dados de ressonância magnética fisiometabólica apresentou resultados piores é que a tecnologia ainda é recente e está em fase experimental de desenvolvimento. Os métodos de coleta de dados ainda variam de hospital para hospital, o que leva a vieses na análise de ML.

Para o cientista, o problema é "apenas" de 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 aprendizado de máquina – tem mostrado excelentes resultados. Portanto, é uma excelente abordagem para determinar o estado da mutação IDH de pacientes com glioma antes da cirurgia e para individualizar as opções de tratamento.

Os resultados do estudo foram publicados no periódico Karl Landsteiner University of Health Sciences (KL Krems).