Maschinelles Lernens kann eine verbreitete Art von Gehirntumor mit einer Genauigkeit von fast 98 Prozent klassifizieren. Wissenschaftler in Indien und Japan haben dieses Verfahren entwickelt, um Ärzten dabei zu helfen, die effektivste Behandlung für Patienten zu finden. An der Studie beteiligt waren auch Forscher des Institute for Integrated Cell-Material Sciences (iCeMS).
Bei Gliomen handelt es sich um eine verbreitete Art von Gehirntumoren, die die Gliazellen betreffen, die für die Neuronen Unterstützung und Isolierung bereitstellen. Die Behandlung unterscheidet sich abhängig von der Aggressivität des Tumors. Daher ist es wichtig, für jeden Patienten eine richtige Diagnose zu stellen. Radiologen erhalten eine grosse Menge an Daten über MRT-Aufnahmen, um ein 3D-Bild des gescannten Gewebes herzustellen.
Ein Grossteil der Daten der MRT-Aufnahmen lässt sich mit dem freien Auge nicht wahrnehmen. Dabei handelt es sich um Details zur Form des Tumors, seiner Beschaffenheit oder der Helligkeit des Bildes. Algorythmen der Künstlichen Intelligenz helfen dabei, diese Daten zu extrahieren. Medizinische Onkologen haben das als "Radionomics" bezeichnete Verfahren bereits zur Verbesserungen der Diagnosen eingesetzt. Die Genauigkeit muss jedoch noch verbessert werden.
Bioingenieur Ganesh Pandian Namasivayam hat mit dem indischen Datenwissenschaftler Balasubramanian Raman aus Roorkee gearbeitet. Sie entwickelten einen Ansatz maschinellen Lernens, der Gliome mit einer Genauigkeit von 97,54 Prozent klassifiziert. Niedriggradige Gliome umfassen pilozytische Astrozytome WHO-Grad I und niedriggradige maligne Gliome WHO-Grad II. Das sind weniger aggressive und weniger bösartige Formen dieser Tumore. Hochgradige Gliome umfassen maligne Gliome WHO-Grad III und Glioblatome WHO-Grad IV. Sie sind viel aggressiver und bösartiger. Die Überlebenszeit nach der Diagnose ist relativ gering. Die Entscheidung für die Art der Behandlung hängt grossteils davon ab, ob die Einstufung eines Glioms vorgenommen werden kann.
Die Forscher um Rahul Kumar, Ankur Gupta und Harkirat Singh Arora nutzten einen MRT-Datenbestand von 210 Personen mit hochgradigen Gliomen und weiteren 75 Patienten mit niedriggradigen Gliomen. Sie entwickelten den Ansatz "Computational Decision Support System". Dafür wurden hybride Radionomics und stationäre, auf der Wavelet-Transformation basierende, Features eingesetzt. In einem nächsten Schritt wurden spezifische Algorithmen zur Extrahierung von Eigenschaften eines Teils der MRT-Scans ausgewählt und eine weitere Vorhersage trainiert, um diese Daten zu verarbeiten und die Gliome zu klassifizieren. Die Forschungsergebnisse wurden im Fachmagazin "IEEE Access" veröffentlicht.
