Beyin Tümörü İlerlemesini Tahmin Etmek İçin Makine Öğrenimini Kullanma

Özet: Makine öğrenimi teknolojisini nörogörüntüleme verileriyle birleştiren klinisyenler, bir hastanın glioblastoma beyin tümörünü tam olarak analiz edebilecek ve kanserin ilerleyişini tahmin edebilecek.

Kaynak: Waterloo Üniversitesi

Waterloo Üniversitesi’ndeki araştırmacılar, ölümcül beyin tümörlerinin büyümesini daha doğru bir şekilde tahmin etmek için bir hesaplama modeli oluşturdular.

Glioblastoma multiforme (GBM), ortalama hayatta kalma oranı yalnızca bir yıl olan bir beyin kanseridir. Son derece yoğun çekirdeği, hızlı büyümesi ve beyindeki konumu nedeniyle tedavisi zordur. Bu tümörlerin yayılımını ve çoğalma hızını tahmin etmek klinisyenler için yararlıdır, ancak bu bilgiyi tek bir hasta için hızlı ve doğru bir şekilde tahmin etmek zordur.

Waterloo Üniversitesi ve Toronto Üniversitesi’ndeki araştırmacılar, çok sayıda GBM hastasından alınan MRI verilerini analiz etmek için Toronto’daki St. Michael’s Hastanesi ile ortaklık kurdu. Kanser ilerlemesini daha iyi tahmin etmek için bir hastanın tümörünü tam olarak analiz etmek için makine öğrenimini kullanıyorlar.

Araştırmacılar, GBM’den mustarip beş isimsiz hastanın her birinden iki set MRG’yi analiz ettiler. Hastalara kapsamlı MRI’lar uygulandı, birkaç ay bekledi ve ardından ikinci bir MRI seti aldı. Bu hastalar, açıklanmayan nedenlerle bu süre zarfında herhangi bir tedavi veya müdahale almamayı seçtikleri için, MRI’ları bilim insanlarına, kontrol edilmeden bırakıldığında GBM’nin nasıl büyüdüğünü anlamak için eşsiz bir fırsat sağladı.

Araştırmacılar, MRI verilerini GBM büyümesi için tahmine dayalı bir model bildiren hastaya özel parametre tahminlerine dönüştürmek için derin bir öğrenme modeli kullandılar. Bu teknik, gerçek özellikleri bilinen hastalara ve sentetik tümörlere uygulanarak modeli doğrulamalarını sağladı.

Uygulamalı Matematik alanında doktora adayı ve çalışmanın baş araştırmacısı olan Cameron Meaney, “Bu analizi devasa bir veri kümesi üzerinde yapmayı çok isterdik,” dedi.

“Ancak hastalığın doğası gereği bu çok zorlayıcı çünkü uzun bir yaşam beklentisi yok ve insanlar tedaviye başlama eğiliminde. Bu nedenle tedavi edilmemiş beş tümörü karşılaştırma fırsatı çok nadir ve değerliydi.”

Bilim adamları artık GBM’nin tedavi edilmeden nasıl büyüdüğüne dair iyi bir modele sahip olduklarına göre, bir sonraki adımları, modeli tedavinin tümörler üzerindeki etkisini içerecek şekilde genişletmektir. O zaman veri seti bir avuç MRG’den binlere çıkar.

Meaney, MRI verilerine erişimin – ve matematikçiler ile klinisyenler arasındaki ortaklığın – gelecekte hastalar üzerinde çok büyük etkileri olabileceğini vurguluyor.

Meaney, “Gelecek, kantitatif analizin sağlık hizmetlerine entegrasyonudur” dedi.

Bu beyin kanseri ve makine öğrenimi araştırma haberi hakkında

Soyut

Difüzyon ağırlıklı görüntüleme ile beyin tümörlerinin derin öğrenme karakterizasyonu

Glioblastoma multiforme (GBM), en ölümcül kanser türlerinden biridir. Bu tümörleri karakterize etme yöntemleri, ilerlemelerinin ve tedaviye yanıtlarının tahminlerini iyileştirmek için değerlidir.

Proliferasyon-istila (PI) modeli olarak adlandırılan bir matematiksel model, iki anahtar parametrenin bilinen değerlerine dayanmasına rağmen, bu tümörlerin büyümesini modellemek için literatürde yaygın olarak kullanılmıştır: tümör hücresi yayılma ve çoğalma hızı.

Ne yazık ki, bu parametrelerin hastaya özel bir şekilde tahmin edilmesi zordur, bu da kişiselleştirilmiş tümör tahminini zorlaştırır.

Bu yazıda, aynı anda tümör ilerleme eğrisinin tam bir tahminini üretirken, bu önemli GBM karakterize edici parametrelerin doğru tahminlerini yapabilen bir derin öğrenme modeli geliştirip uyguluyoruz.

Yöntemimiz, tahminler üretmek için iki set çok sekanslı MRG kullanır ve beyin tümörü segmentasyonu ve tümör selülaritesine dönüşümü içeren bir ön işleme hattına dayanır.

Modelin yeteneklerini sergilemek ve tahmin hatalarının oluşabileceği durumları belirlemek için önce derin öğrenme modelimizi sentetik tümörlere uyguluyoruz. Daha sonra modelimizi GBM teşhisi konan beş hastadan oluşan bir klinik veri setine uyguluyoruz.

Tüm hastalar için, PI model parametrelerinin her biri için kanıta dayalı tahminler ve parametre belirsizliklerinin tahminleriyle birlikte tümörün gelecekteki ilerlemesi için tahminler elde ediyoruz.

Çalışmamız, hekimlere kişiselleştirilmiş tedaviler tasarlamada yardımcı olmak için üzerine inşa edilebilecek, hastaya özel tümör parametrelerinin tahmini için yeni, kolayca genelleştirilebilir bir yöntem sağlar.