Personalisierte Behandlungsmethode bei Hirntumoren

Karl Landsteiner Privatuni für Gesundheitswissenschaften setzt auf Künstliche Intelligenz bei Therapie von Gehirntumoren. Lernende Systeme identifizieren genetische Mutationen aus bildgebender Diagnostik.  

(red/czaak) Künstliche Intelligenz (KI) und im speziellen Methoden im Bereich des maschinellen Lernens (Machine Learning/ML) können Mutationen in sogenannten primären Hirntumoren (Anm. Gliome) rasch und akkurat diagnostizieren. Das zeigt eine aktuelle Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften (KL Krems). In dieser wurden Daten von physio-metabolischen Magnetresonanz-Bildern zur Identifikation von Mutationen eines Stoffwechselgens mittels ML ausgewertet.

Mutationen des Gens beeinflussen Krankheitsverlauf maßgeblich
Mutationen dieses Gens beeinflussen den Krankheitsverlauf maßgeblich, und eine frühe Diagnose ist entsprechend für die Behandlung wichtig. Die Studie zeigt zudem, dass dem klinischen Routineeinsatz der Methode aktuell jedoch noch uneinheitliche Standards bei der Gewinnung physio-metabolischer Magnetresonanz-Bilder entgegenstehen. Gliome selbst sind die häufigsten Primärtumore des Gehirns. Trotz noch immer schlechter Prognose können personalisierte Therapien den Behandlungserfolg aber bereits maßgeblich verbessern.

Derartige Therapien beruhen auf individuellen Tumordaten, die bei Gliomen aufgrund ihrer Lokalisation im Gehirn nicht leicht verfügbar sind. Bildgebende Verfahren wie Magnetresonanztomographien (MRT) können solche Daten liefern, ihre Auswertung ist jedoch komplex und zeitaufwendig. Das Zentralinstitut für medizinische Radiologie-Diagnostik des Uniklinikums St. Pölten, ein Forschungsstandort der KL Krems, entwickelt daher schon länger Methoden des Machine- und Deep-Learning, um solche Auswertungen zu automatisieren und so in den Routinebetrieb von Kliniken integrieren zu können.

Auswertung und Beurteilung der Daten sind hochkomplex
„Tatsächlich haben Patienten, deren Gliomzellen eine mutierte Form des Gens (Anm. für Isocitratdehydrogenase/IDH) tragen, bessere klinische Aussichten als jene, bei denen die Wildtypform vorliegt“, sagt Andreas Stadlbauer, Medizinphysiker am Zentralinstitut in St. Pölten. „Je früher wir daher über diesen Mutationsstatus Bescheid wissen, desto optimaler können wir die Behandlung individualisieren“, so Stadlbauer. Dabei helfen Unterschiede im Energiestoffwechsel von mutierten bzw. sogenannten Wildtyp-Tumoren. Diese können dank früheren Forschungsarbeiten auch ohne Gewebeproben mittels eines physio-metabolischen MRTs gut erfasst werden.

Auswertung und Beurteilung der Daten sind jedoch hochkomplex sowie zeitraubend und entsprechend schwer in den klinischen Routinebetrieb zu integrieren. In der aktuellen Studie hat nun das Team der KL Krems diese Daten mittels ML-Methoden ausgewertet, um rascher Ergebnisse für entsprechende Therapieschritte zu erhalten. Für eine qualitative Beurteilung der Ergebnisse, wurde in der Studie zunächst auf Daten von 182 Patienten des Universitätsklinikums St. Pölten zurückgegriffen, deren MRT-Daten nach einheitlichen Protokollen erhoben wurden.   

Ergebnis zeigte eine Präzision von 92 Prozent
 „Wir waren sehr erfreut über die Ergebnisse der Beurteilung durch unsere ML-Algorithmen. Das Ergebnis zeigte eine Präzision von rd. 92 Prozent bei der Unterscheidung zwischen Tumoren mit dem Wildtyp-Gen oder der mutierten Form“, betont Andreas Stadlbauer. „Wir verglichen diese Werte dann auch mit ML-Auswertungen von klassischen klinischen MRT-Daten und konnten zeigen, dass die Verwendung von physio-metabolischen MRT-Daten als Grundlage eindeutig bessere Ergebnisse erzielen“, ergänzt Stadlbauer.   

Bei Anwendung der Methode mit Datensätzen anderer Krankenhäuser erwies sich jedoch die ML-Methode mit klassischen klinischen MRT-Daten erfolgreicher. „Das liegt an der experimentellen Entwicklungsphase. Die Methoden zur Datenerhebung variieren von Krankenhaus zu Krankenhaus und das führt zu Verzerrungen“, erklärt Stadlbauer. Das liege an der Standardisierung, die mit zunehmendem Einsatz sicher kommen wird. Die neue ML-Methode habe sich großartig bewährt. „Sie bietet einen hervorragenden Ansatz, um zukünftig präoperativ den IDH-Mutationsstatus von Gliom-Betroffenen zu erheben und Therapieoptionen zu individualisieren“ unterstreicht Andreas Stadlbauer, Medizinphysiker am Zentralinstitut in St. Pölten.