Un nuevo método de machine learning fue capaz de sugerir el diagnóstico de forma rápida y precisa sobre mutaciones en tumores cerebrales.
Un estudio reciente conducido por investigadores de la Universidad de Ciencias de la Salud Karl Landsteiner (KL Krems) en Austria, analizó datos de imágenes de resonancia magnética fisiometabólica, para correlacionarlas con la identificación de mutaciones en un gen metabólico utilizando machine learning. Las mutaciones de este gen influyen de manera significativa en el curso de la enfermedad, por lo tanto, obtener un diagnóstico temprano es sumamente importante para el tratamiento del paciente.
Además, este estudio detalla que actualmente, existen estándares inconsistentes para obtener imágenes de resonancia magnética fisiometabólica, lo que dificulta e impide el uso clínico de manera rutinaria de este método.
Los gliomas son los tumores cerebrales primarios más comunes. Incluso cuando existen pronósticos poco alentadores para los pacientes con este diagnóstico, las terapias personalizadas son capaces actualmente de mejorar significativamente el éxito del tratamiento. No obstante, el uso de terapias avanzadas se basa en datos individualizados de los tumores, los cuales no están disponibles de manera tan sencilla para los gliomas debido a su ubicación en el cerebro. Por ello, las técnicas de imagen como la resonancia magnética (IRM) pueden proporcionar dichos datos, pero sus análisis son complejos, exigentes y requieren mucho tiempo.
Para ello el Instituto Central de Diagnóstico Radiológico Médico del Hospital Universitario de St. Pölten perteneciente a KL Krems, desarrolla desde hace años métodos de machine learning y deep learning para automatizar estos análisis e integrarlos en las operaciones clínicas rutinarias.
“Los pacientes cuyas células de glioma portan una forma mutada del gen del isocitrato deshidrogenasa (IDH) tienen en realidad mejores perspectivas clínicas que aquellos con la forma natural”, explica el Dr. Andreas Stadlbauer, físico médico del Instituto Central. “Esto significa que cuanto antes sepamos sobre el estado de esta mutación, mejor podremos individualizar el tratamiento”, agregó. De esta manera, conocer las diferencias en el metabolismo energético de los tumores mutados y de tipo salvaje ayudan a conseguirlo.
No obstante, analizar y evaluar los datos es un proceso muy complejo y que requiere mucho tiempo y es difícil de integrar en la rutina clínica, sobre todo porque los resultados se necesitan rápidamente debido al mal pronóstico de los pacientes. Por ello los resultados positivos de este modelo de machine learning son alentadores.
“Cuando vimos los resultados de la evaluación de nuestros algoritmos de ML”, explica el Dr. Stadlbauer, “nos sentimos muy satisfechos. Logramos una precisión del 91.7 % y una precisión del 87.5 % al distinguir entre tumores con el gen de tipo salvaje y aquellos con la forma mutada. Luego comparamos estos valores con análisis machine learning de datos de resonancia magnética clínica clásica y pudimos demostrar que el uso de datos de resonancia magnética fisiometabólica como base dio resultados significativamente mejores”, finalizó.
El especialista también detalló que el único problema de este método es la estandarización, por otro lado, la evaluación ahorra tiempo de los datos fisiometabólicos de la resonancia magnética gracias al machine learning. Por lo tanto, se trata de un enfoque adecuado para determinar el estado de la mutación IDH de los pacientes con glioma antes de cualquier operación, para personalizar las opciones de tratamiento.
