El aprendizaje automático mejora la detección temprana de mutaciones de glioma

Los métodos de aprendizaje automático (ML) pueden diagnosticar de forma rápida y precisa mutaciones en gliomas: tumores cerebrales primarios.

Esto lo confirma un estudio reciente realizado por la Universidad de Ciencias Médicas Karl Landsteiner (KL Krems). En este estudio, se analizaron datos de imágenes por resonancia magnética (IRM) fisiometabólica utilizando métodos de ML para identificar mutaciones en un gen metabólico. Las mutaciones en este gen tienen un impacto significativo en el curso de la enfermedad y el diagnóstico temprano es importante para el tratamiento. El estudio también muestra que actualmente existen estándares inconsistentes para la obtención de imágenes de resonancia magnética fisiometabólica, lo que dificulta el uso clínico rutinario del método.

Los gliomas son los tumores cerebrales primarios más comunes. A pesar del pronóstico aún malo, las terapias personalizadas pueden mejorar significativamente el éxito del tratamiento. Sin embargo, el uso de terapias tan avanzadas se basa en datos de tumores individuales, que son difíciles de obtener para los gliomas debido a su ubicación en el cerebro. Las técnicas de imagen como la imagen por resonancia magnética (MRI) pueden proporcionar dichos datos, pero su análisis es complejo, requiere mucho trabajo y tiempo. El Instituto Central de Radiología Médica Diagnóstica del Hospital Universitario de St. Pölten, base de enseñanza e investigación de KL Krems, lleva muchos años desarrollando métodos de aprendizaje automático y profundo para automatizar dichos análisis e integrarlos en operaciones clínicas rutinarias. Ahora se ha logrado otro gran avance.

"Los pacientes cuyas células de glioma portan una forma mutada del gen isocitrato deshidrogenasa (IDH) tienen en realidad mejores perspectivas clínicas que aquellos con el tipo salvaje", explica el profesor Andreas Stadlbauer, físico médico del Instituto Central. "Esto significa que cuanto antes conozcamos el estado de la mutación, mejor podremos individualizar el tratamiento". Las diferencias en el metabolismo energético de los tumores mutados y de tipo salvaje ayudan a ello. Gracias a trabajos previos del equipo del profesor Stadlbauer, se pueden medir fácilmente mediante resonancia magnética fisiometabólica, incluso sin muestras de tejido. Sin embargo, el análisis y la evaluación de datos es un proceso muy complejo y que requiere mucho tiempo y es difícil de integrar en la práctica clínica, especialmente porque los resultados se necesitan rápidamente debido al mal pronóstico de los pacientes.

En el estudio actual, el equipo utilizó métodos de aprendizaje automático para analizar e interpretar estos datos para obtener resultados más rápido y poder iniciar los pasos de tratamiento adecuados. Pero, ¿qué tan precisos son los resultados? Para evaluar esto, el estudio utilizó primero datos de 182 pacientes del Hospital Universitario St. Pölten, cuyos datos de resonancia magnética se recopilaron mediante protocolos estandarizados.

“Cuando vimos los resultados de la evaluación de nuestros algoritmos de aprendizaje automático”, explica el profesor Stadlbauer, “nos sentimos muy satisfechos. Logramos una precisión del 91,7 % y una precisión del 87,5 % para distinguir los tumores con el gen de tipo salvaje de aquellos con la forma mutada. Luego comparamos estos valores con análisis ML de datos de resonancia magnética clínica clásica y pudimos demostrar que el uso de datos de resonancia magnética fisiometabólica como base produjo resultados significativamente mejores".

Sin embargo, esta superioridad solo se mantuvo cuando se analizaron los datos recopilados en St. Pölten utilizando un protocolo estandarizado. Este no fue el caso cuando se aplicó el método ML a datos externos, es decir, datos de resonancia magnética de otras bases de datos hospitalarias. En esta situación, el método ML entrenado en datos de resonancia magnética clínica clásica tuvo más éxito.

La razón por la cual el análisis de los datos de resonancia magnética fisiometabólica utilizando ML tuvo peores resultados es que la tecnología aún es joven y se encuentra en la etapa experimental de desarrollo. Los métodos de recopilación de datos aún varían de un hospital a otro, lo que genera sesgos en el análisis de ML.

Para el científico, el problema es “sólo” la estandarización que inevitablemente surgirá con el uso cada vez mayor de la resonancia magnética fisiometabólica en diferentes hospitales. El método en sí (evaluación rápida de datos fisiometabólicos de resonancia magnética mediante métodos ML) ha mostrado excelentes resultados. Por lo tanto, este es un enfoque excelente para determinar el estado de la mutación IDH en pacientes con glioma antes de la operación e individualizar las opciones de tratamiento.

Los resultados del estudio se publicaron en la revista Karl Landsteiner University of Health Sciences (KL Krems).