Nytt prostatakreftspredningsverktøy har enestående nøyaktighet

Nåværende verktøy som brukes til å forutsi progresjon av prostatakreft er generelt subjektive, fører til forskjellige tolkninger blant klinikere

Et team av forskere fra Icahn School of Medicine på Mount Sinai og Keck School of Medicine ved University of Southern California (USC) har utviklet et nytt rammeverk for maskinlæring som skiller mellom lav- og høyrisiko prostatakreft med mer presisjon enn Noensinne. Rammeverket, beskrevet i et vitenskapelig rapport publisert i dag, er ment å hjelpe leger-spesielt radiologer-mer nøyaktig identifisere behandlingsalternativer for prostatakreftpasienter, redusere sjansen for unødvendig klinisk intervensjon.

Prostatakreft er en av de viktigste årsakene til kreftdød hos amerikanske menn, andre bare for lungekreft. Selv om de siste fremskrittene innen forskning på prostatakreft har reddet mange liv, objektive prediksjonsverktøy har, inntil nå, forble et udekket behov.

For tiden, standardmetodene som brukes for å vurdere risiko for prostatakreft er multiparametrisk magnetisk resonansavbildning (mpMRI), som oppdager prostata lesjoner, og Prostate Imaging Reporting and Data System, versjon 2 (PI-RADS v2), et fempunkts scoringssystem som klassifiserer lesjoner som finnes på mpMRI. Sammen, Disse verktøyene er ment å forutsi sannsynligheten for klinisk signifikant prostatakreft. Derimot, PI-RADS v2-poengsum er subjektiv og skiller ikke klart mellom mellomliggende og ondartet kreftnivå (score 3, 4, og 5), ofte fører til forskjellige tolkninger blant klinikere.

Å kombinere maskinlæring med radiomikk-en gren av medisin som bruker algoritmer for å trekke ut store mengder kvantitative egenskaper fra medisinske bilder-har blitt foreslått som en metode for å rette opp denne ulempen. Derimot, andre studier har bare testet et begrenset antall maskinlæringsmetoder for å håndtere denne begrensningen. I motsetning, forskerne på Mount Sinai og USC utviklet et prediktivt rammeverk som grundig og systematisk vurderte mange slike metoder for å identifisere den som fungerer best. Rammeverket utnytter også større opplærings- og valideringsdatasett enn tidligere studier gjorde. Som et resultat, forskere klarte å klassifisere pasienters prostatakreft med høy sensitivitet og enda høyere prediktiv verdi.

"Ved å kombinere maskinlæring strengt og systematisk med radiomikk, vårt mål er å gi radiologer og klinisk personell et forsvarlig prediksjonsverktøy som til slutt kan oversette til mer effektiv og personlig pasientbehandling, "sa Gaurav Pandey, PhD, Assisterende professor i genetikk og genomisk vitenskap ved Icahn School of Medicine på Mount Sinai og senior tilsvarende forfatter av publikasjonen sammen med medkorrespondentforfatter Bino Varghese, PhD, Assisterende professor i forskningsradiologi ved Keck School of Medicine ved USC. "Veien til å forutsi progresjon av prostatakreft med høy nøyaktighet blir stadig bedre, og vi tror at vårt objektive rammeverk er et sårt tiltrengt fremskritt. "

• Eksperter utforsker involvering av tarmen i Parkinsons sykdom
• Sebrafisk gir ledetråd for å lindre gastrointestinal lidelse relatert til autisme