Badacze uzyskali 97-procentową dokładność diagnozy związanej z mutacją glejaków bez konieczności biopsji. Twierdzą, że tą metodą można też badać inne rodzaje różnych nowotworów.

Glejaki są nowotworami powstałymi z komórek glejowych, podstawowego składnika tkanki mózgowej i rdzenia. Wśród nowotworów tkanki mózgowej stanowią aż 70 procent przypadków. Zdecydowanie częściej atakują dzieci niż dorosłych. Pod względem śmiertelności na skutek chorób nowotworowych są w Polsce na 9. miejscu u mężczyzn i na 13. u kobiet, są za to na drugim miejscu po białaczce, jeśli chodzi o nowotwory wieku dziecięcego.

Glejaki różnią się między sobą w zakresie komórek mózgu, z których się wywodzą i stopniem agresywności. Podstawowym badaniem, które wykonuje się przy podejrzeniu glejaka, jest rezonans magnetyczny (MRI) mózgu. Konieczne jest również pobranie tkanki do badania histopatologicznego – podczas operacji chirurgicznej lub za pomocą biopsji.

Badanie laboratoryjne tkanki ma na celu potwierdzenie rozpoznania i określenie charakterystyki, podtypu guza, co ułatwia podjęcie decyzji o sposobie leczenia. Glejaków nie da się na ogół usunąć w całości, a wspomaganie leczenia to m.in. radioterapia czy chemioterapia, stosowane zamiennie lub równolegle.

Uzyskanie odpowiedniej próbki biopsji może czasem być czasochłonne i ryzykowne – szczególnie w przypadku trudno dostępnych guzów. Jednak w przyszłości pacjenci z rakiem mózgu mogą uniknąć konieczności poddania się biopsji w celu ustalenia najlepszego leczenia nowotworów. Dzięki sztucznej inteligencji.

Stan mutacji bez operacji

UT Southwestern to jeden z najlepszych akademickich ośrodków medycznych w Stanach Zjednoczonych. Łączy pionierskie badania biomedyczne z opieką kliniczną i edukacją. Naukowcy z tego centrum mają na swoim koncie już sześć nagród Nobla. Badacze z Instytutu Badań Mózgu (O’Donnell Jr. Brain Institute) Centrum Medycznego UT Southwestern w Dallas opracowali właśnie niewiarygodnie prostą i dokładną, nieinwazyjną metodę diagnozowania mutacji glejaka z użyciem obrazowania rezonansu magnetycznego.

Jest w 97 procentach precyzyjna w odróżnieniu od innych technik, które często nie zbliżają się do poziomu 90 procent precyzji. Wystarczył jeden algorytm – inne techniki wymagają wskazania obszarów zainteresowania lub dodatkowych modeli głębokiego uczenia, aby najpierw zidentyfikować granice guza, a następnie wykryć potencjalne mutacje.

Wśród nowotworów tkanki mózgowej glejaki stanowią aż 70 procent przypadków

Na dodatek status mutacji został określony na podstawie analizy tylko jednej serii obrazów rezonansu magnetycznego, w przeciwieństwie do wielu typów obrazów, wykorzystywanych w innych badaniach diagnostycznych z SI (znajomość określonego statusu mutacji w glejakach jest ważna przy określaniu rokowań i strategii leczenia).

Nowatorska technologia mogłaby potencjalnie wyeliminować powszechną praktykę operacji poprzedzających leczenie, w których pobiera się i analizuje próbki glejaka, aby wybrać odpowiednią terapię.

Naukowcy badają niechirurgiczne strategie identyfikowania tzw. statusu mutacji IDH. Chodzi o mutację genów kodujących dehydrogenazy izocytrynianowe czyli enzymy, które w zmutowanej formie wpływają na wzrost guza w mózgu.

Porównanie sieci

Znajomość statusu mutacji IDH pomaga lekarzom zdecydować o kombinacji terapii najbardziej odpowiednich dla pacjenta, od chemioterapii i radioterapii po zabieg chirurgiczny w celu usunięcia guza.

Aby usprawnić wykrywanie mutacji enzymów i decyzję o odpowiedniej terapii, zespół dyrektora wydziału neuroradiologii Instytutu, prof. Josepha Maldjiana opracował dwie sieci neuronowe głębokiego uczenia, które analizowały dane obrazowe z publicznie dostępnej bazy danych ponad 200 pacjentów z rakiem mózgu.

Jedna sieć wykorzystała tylko jedną serię zdjęć (tzw. obrazy T2 zależne, na których istota biała ukazywana jest w ciemniejszych barwach, zaś istota szara w jaśniejszych), a druga wykorzystała wiele typów obrazów rezonansu magnetycznego (FLAIR, T1 itp.). Obie sieci osiągnęły prawie taką samą dokładność, co sugeruje, że proces wykrywania mutacji IDH można znacznie usprawnić, stosując tylko obrazy T2 zależne. Prof. Maldjian stwierdził, że „możliwość ustalenia tego statusu za pomocą zwykłego obrazowania i sztucznej inteligencji to ogromny krok naprzód. Piękno nowego modelu głębokiego uczenia polega na jego prostocie i wysokim stopniu dokładności”.

Naukowcy twierdzą też, że podobne metody można zastosować do identyfikacji innych ważnych markerów molekularnych różnych nowotworów.

Skip to content