Μηχανική μάθηση: Το πολύμορφο γλοιοβλάστωμα (GBM) είναι ένας τύπος καρκίνου του εγκεφάλου με ποσοστό επιβίωσης ενός έτους. Λόγω του εξαιρετικά πυκνού πυρήνα του, της γρήγορης ανάπτυξης και της θέσης του στον εγκέφαλο, είναι δύσκολο να θεραπευθεί.
Ερευνητές στο Πανεπιστήμιο του Waterloo δημιούργησαν ένα υπολογιστικό μοντέλο που μπορεί να προβλέψει καλύτερα τον σχηματισμό θανατηφόρων όγκων του εγκεφάλου. Το πολύμορφο γλοιοβλάστωμα (GBM) είναι ένας τύπος καρκίνου του εγκεφάλου με ποσοστό επιβίωσης ενός έτους. Λόγω του εξαιρετικά πυκνού πυρήνα του, της γρήγορης ανάπτυξης και της θέσης του στον εγκέφαλο, είναι δύσκολο να θεραπευθεί. Η εκτίμηση της διαχυτικότητας και του ρυθμού πολλαπλασιασμού αυτών των όγκων είναι χρήσιμη για τους κλινικούς γιατρούς, αλλά αυτές οι πληροφορίες είναι δύσκολο να εκτιμηθούν γρήγορα και με ακρίβεια για έναν μεμονωμένο ασθενή.
Ερευνητές από το Πανεπιστήμιο του Βατερλό και το Πανεπιστήμιο του Τορόντο συνεργάστηκαν με το Νοσοκομείο St. Michael’s στο Τορόντο για να αναλύσουν δεδομένα μαγνητικής τομογραφίας από πολλούς πάσχοντες από GBM. Χρησιμοποιούν μηχανική μάθηση για να αναλύσουν πλήρως τον όγκο ενός ασθενούς, για να προβλέψουν καλύτερα την εξέλιξη του καρκίνου. Οι ερευνητές ανέλυσαν δύο σετ μαγνητικής τομογραφίας από κάθε έναν από τους πέντε ανώνυμους ασθενείς που έπασχαν από GBM. Οι ασθενείς υποβλήθηκαν σε εκτεταμένες μαγνητικές τομογραφίες, περίμεναν αρκετούς μήνες και στη συνέχεια έλαβαν ένα δεύτερο σετ μαγνητικής τομογραφίας.
Επειδή αυτοί οι ασθενείς, για άγνωστους λόγους, επέλεξαν να μην λάβουν καμία θεραπεία ή παρέμβαση κατά τη διάρκεια αυτής της περιόδου, η μαγνητική τομογραφία παρείχε στους επιστήμονες μια μοναδική ευκαιρία να κατανοήσουν πώς αναπτύσσεται η GBM όταν δεν ελέγχεται. Οι ερευνητές χρησιμοποίησαν ένα μοντέλο βαθιάς μάθησης για να μετατρέψουν τα δεδομένα της μαγνητικής τομογραφίας σε εκτιμήσεις παραμέτρων ειδικών για τον ασθενή που παρέχουν πληροφορίες για ένα προγνωστικό μοντέλο για την ανάπτυξη GBM. Αυτή η τεχνική εφαρμόστηκε σε ασθενείς και συνθετικούς όγκους, για τους οποίους ήταν γνωστά τα αληθινά χαρακτηριστικά, επιτρέποντάς τους να επικυρώσουν το μοντέλο.
«Θα θέλαμε πολύ να κάνουμε αυτή την ανάλυση σε ένα τεράστιο σύνολο δεδομένων», δήλωσε ο Κάμερον Μίνι, υποψήφιος διδάκτορας στα Εφαρμοσμένα Μαθηματικά και επικεφαλής ερευνητής της μελέτης, προσθέτοντας: «Με βάση τη φύση της ασθένειας, ωστόσο, αυτό είναι πολύ δύσκολο γιατί υπάρχει δεν είναι μεγάλο προσδόκιμο ζωής και οι άνθρωποι τείνουν να ξεκινούν θεραπεία. Αυτός είναι ο λόγος για τον οποίο η ευκαιρία να συγκριθούν πέντε όγκοι χωρίς θεραπεία ήταν τόσο σπάνια και πολύτιμη».
Τώρα που οι επιστήμονες έχουν ένα καλό μοντέλο για το πώς το GBM αναπτύσσεται χωρίς θεραπεία, το επόμενο βήμα τους είναι να επεκτείνουν το μοντέλο ώστε να συμπεριλάβει την επίδραση της θεραπείας στους όγκους. Τότε το σύνολο δεδομένων θα αυξανόταν από μια χούφτα μαγνητική τομογραφία σε χιλιάδες. Ο Meaney τονίζει ότι η πρόσβαση σε δεδομένα MRI – και η συνεργασία μεταξύ μαθηματικών και κλινικών ιατρών – μπορεί να έχει τεράστιο αντίκτυπο στους ασθενείς στο μέλλον. «Η ενσωμάτωση της ποσοτικής ανάλυσης στην υγειονομική περίθαλψη είναι το μέλλον», είπε ο Meaney.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
