Agydaganatok esetén radiomika, azaz kvantitatív orvosi képelemzés és mély tanulási algoritmusok segítségével gyorsan és pontosan meg lehet különböztetni a primer tumorokat a metasztázisoktól – ez a kulcsüzenete a Karl Landsteiner Egészségtudományi Egyetem (KL Krems) tanulmányának, amelyet a közelmúltban publikáltak a Metabolites című folyóiratban. A cikk bemutatja, hogy a tumor oxigénmetabolizmusának mágnesesrezonancia-alapú radiológiai adatai kiváló alapot adnak a neuralis hálózatok segítségével történő megkülönböztetéshez. Az úgynevezett „oxigénmetabolikus radiomika” és a speciális mesterséges intelligencia elemzéseinek kombinációja minden lényeges kritériumban egyértelműen felülmúlta a humán szakértők által végzett értékeléseket. Ez annál is lenyűgözőbb, mert az esszenciális oxigénértékek nem különböztek szignifikánsan az egyes daganattípusok között – a neuronalis hálózatok ennek ellenére ezen értékek alapján is képesek voltak egyértelmű különbséget tenni.

A glioblastoma, ami egy elsődleges daganat és az agyi metasztázisok az agydaganatok leggyakoribb típusai felnőtteknél. Kezelésüknek alapvetően eltérőnek kell lennie, ezért a gyors és egyértelmű diagnózis befolyásolja a klinikai kimenetelt. Megkülönböztetésük azonban nehéz, mivel a klasszikus mágneses rezonancia (MR-) felvételeken nagyon hasonló képet mutatnak. Más a helyzet az úgynevezett fiziometabolikus MR-rel, amely anyagcsere-folyamatokat rögzíthet a daganatszövetben. Ez azonban olyan nagy mennyiségű adatot szolgáltat, hogy a rutindiagnosztikában való felhasználása mesterséges intelligencia közreműködését igényelné. Ez utóbbi megbízhatóságát most az Andreas Stadlbauer professzor (KL Krems) vezette csapat bizonyította egy speciálisan kifejlesztett mély tanulási algoritmus és a két daganattípus oxigén-anyagcseréjére vonatkozó, MR-alapú adatok segítségével.

Gép kontra ember

„A mi megközelítésünkkel sikerült egyértelműbben különbséget tenni a daganattípusok között, mint amire a humán szakértők képesek voltak – mondta Stadlbauer professzor, összefoglalva a nemzetközi vizsgálat eredményeit. A St. Pölten Egyetemi Kórház Orvosi Radiológiai Diagnosztikai Központi Intézetének (ami a KL Krems oktatási és kutatóhelye) orvos fizikusa így folytatja: – Az MR-alapú oxigénadatoknak a mi speciális neuralis hálózatunk által végzett értékelése minden fontos megkülönböztetési kritériumban (pontosság, érzékenység, specifitás és precizitás) felülmúlta a radiológusokét. Ez a metódus olyan statisztikai értékelésekben is jobb volt a hagyományos, humán módszereknél, mint az F-értékek és az AUROC.”

A mérések egy úgynevezett „konvolúciós neuralis hálózaton” (Convolutional Neural Network, CNN) alapultak, amelyet kifejezetten ez a csapat fejlesztett ki. Ez a mesterséges neuralis hálózat egy speciális formája, amelyet gépi tanulásra és kép- vagy hangadatok feldolgozására terveztek. A vizsgálat részeként a CNN-t a St. Pölten Egyetemi Kórház kiterjedt adatbázisából származó tumoradatok felhasználásával képezték ki, majd ezt követően új betegek MR-alapú oxigénszintjének elemzésére használták.

A minimális eltérések ellenére is egyértelmű különbségtétel 

A vizsgálat során összegyűjtött oxigénértékek között szerepelt az agyi oxigénforgalom (CMRO₂) és a mitokondriális oxigénszaturáció (mitoPO₂), amelyek a sejtek energiaforgalmáról nyújtanak információt. „Érdekes módon – mondta Stadlbauer professzor – a két daganattípusban sem a két paraméter átlaga, sem a mediánja nem különbözött szignifikánsan egymástól, ennek ellenére CNN-ünknek egyértelműen sikerült megkülönböztetni őket.”

A tanulmány bemutatja a két módszer kombinálásának jelentős diagnosztikai potenciálját. Az oxigén-anyagcsere radiológiai adatait a mindennapi klinikai gyakorlatban még csak nagyon korlátozott mértékben használják fel. Stadlbauer professzor és csapata ezen szeretne változtatni, ezért egy kiterjedtebb vizsgálatot terveznek, amely nemcsak megerősíti a most gyűjtött adatokat, hanem olyan módszereket is alkalmaz, amelyek még közelebb állnak a klinikai rutinhoz. Stadlbauer professzor kifejti: „A mostani tanulmány alapját képező vizsgálat során még mindig szükség volt néhány manuális lépésre az adatelemzés elkészítéséhez. Ez a klinikai rutin során túlságosan időigényes, és a különböző intézmények összehasonlíthatóságát is korlátozza. Ezért a CNN-t ebben a fázisban is tervezzük használni.”

Mind a sikeresen befejezett vizsgálat, mind a tervezett tanulmány jól mutatja a KL Krems onkológia kutatási fókuszát. A hangsúly mindig az új módszerek klinikai előnyein van, amelyek potenciálja következetes alapkutatás eredménye.

Szemlézte:

Tóth Tamás

Eredeti közlemény: 

Differentiation of Glioblastoma and Brain Metastasis by MRI-Based Oxygen Metabolmic Radiomics and Deep Learning. A. Stadlbauer, G. Heinz, F. Marhold, A. Meyer-Bäse, O. Ganslandt, M. Buchfelder és S. Oberndorfer. Metabolites 2022, 12 (12), 1264. https://doi.org/10.3390/metabo12121264