Metody bayesowskie w charakterystyce guzów mózgu
Obrazowanie rezonansem magnetycznym (MRI) jest obecnie wykorzystywane do diagnozowania in vivo oraz klasyfikacji guzów mózgu. Pomaga chirurgom w planowaniu usuwania guzów i monitorowaniu odpowiedzi na leczenie. Jednakże w niektórych rodzajach guza dokładność diagnostyczna jest ciągle niewystarczająca, na przykład w glejakach. W tych przypadkach istotną rolę odgrywa spektroskopia rezonansu magnetycznego (MRS) oraz spektroskopowe obrazowanie metodą rezonansu magnetycznego (MRSI). Widma MR (z MRS oraz MRSI) dostarczają bezcennych informacji biochemicznych, dzięki którym można uzyskać dokładne wzorce metabolomiczne. Jako że informacje te są bardzo obszerne i w większości trudne do interpretacji przez lekarzy, polega się na technikach rozpoznawania wzorca, które pomagają zwiększyć dokładność diagnostyczną. Jednakże stale istnieje zapotrzebowanie na ulepszenia obecnych metod rozpoznawania wzorca w celu uzyskiwania dokładniejszych wyników w bardziej skomplikowanych przypadkach. Naukowcy z finansowanego przez UE projektu BAYESIANMULTIMODALMR (Multimodal analysis of MR data using Bayesian methods) zaproponowali metodę, która wykorzystuje techniki rozpoznawania wzorca do integracji danych uzyskanych z MRI do MRSI. Udoskonalili oni metody nieujemnej faktoryzacji macierzy (NMF) do określania granic guza w neuroonkologii, jako dane wsadowe stosując informacje anatomiczne dotyczące guza, uzyskane w obrazowaniu MRI. Stworzona przez zespół metodologia segmentacji guza mózgu pozwala na indywidualną analizę pacjentów, co oznacza uniknięcie błędu wynikającego ze zmienności osobniczej. Pozwala to również na użycie tylko fragmentów regionów badanych, wykluczając obszary niepewności podczas wstępnej segmentacji. Analizy danych z badań na myszach z guzem mózgu wykazały możliwość wbudowania wyników MRI do danych wyekstrahowanych z wyników MRSI. Naukowcy stworzyli również bayesowską metodę bazującą na nieujemnej faktoryzacji macierzy (NMF) do automatycznego wyboru odpowiednich źródeł przy użyciu algorytmu zachłannego. Strategia ta pomaga w usuwaniu zbędnych i duplikujących się danych. Do testów i walidacji wykorzystano pozyskane z symulacji oraz rzeczywiste dane, zebrane przez uczestników europejskiego projektu INTERPRET. Innym kluczowym osiągnięciem jest metoda pozyskiwania istotnych sygnałów źródłowych, które mogą posłużyć do klasyfikacji guzów. Sygnały te pomagają oceniać zdrowe tkanki, odpowiedź guza mózgu na terapię, oraz guzy nieleczone lub oporne na leczenie. Wygenerowane obrazy nozologiczne udowodniły użyteczność tej metody w klasyfikacji chorób i określaniu odpowiedzi guza na terapię. Wyniki badania zostały szeroko rozpowszechnione podczas ważnych konferencji i w około 13 recenzowanych publikacjach/komunikatach w międzynarodowych czasopismach. Implementacja stworzonych w ramach tego badania metod pozwoli na integrację danych z różnych trybów obrazowania w celu skutecznego diagnozowania chorób, klasyfikacji guzów mózgu oraz monitorowania pacjenta. Metoda ta może być również przystosowana do diagnozowania innych trudnych w wykrywaniu schorzeń neurologicznych.
Słowa kluczowe
Metody bayesowskie, guzy mózgu, MRI, obrazowanie spektroskopowe, BAYESIANMULTIMODALMR
