Nytt verktyg för förutsägelse av prostatacancer har oöverträffad noggrannhet

Nuvarande verktyg som används för att förutsäga prostatacancerprogression är generellt subjektiva, vilket leder till olika tolkningar bland läkare

Ett team av forskare från Icahn School of Medicine vid Mount Sinai och Keck School of Medicine vid University of Southern California (USC) har utvecklat ett nytt ramverk för maskininlärning som skiljer mellan låg- och högriskprostatacancer med mer precision än någonsin tidigare. Ramverket, beskrivs i en vetenskaplig rapport som publicerades idag, är avsett att hjälpa läkare-i synnerhet radiologer-mer exakt identifiera behandlingsalternativ för patienter med prostatacancer, minska risken för onödigt kliniskt ingrepp.

Prostatacancer är en av de främsta orsakerna till cancerdöd hos amerikanska män, näst efter lungcancer. Medan de senaste framstegen inom forskning om prostatacancer har räddat många liv, objektiva förutsägelsesverktyg har, tills nu, förblev ett otillfredsställt behov.

Nuvarande, standardmetoderna som används för att bedöma risken för prostatacancer är multiparametrisk magnetisk resonanstomografi (mpMRI), som upptäcker prostata lesioner, och Prostate Imaging Reporting and Data System, version 2 (PI-RADS v2), ett fem-poängssystem som klassificerar skador som finns på mpMRI. Tillsammans, Dessa verktyg är avsedda att förutspå sannolikheten för kliniskt signifikant prostatacancer. Dock, PI-RADS v2-poängsättning är subjektiv och skiljer inte klart mellan mellanliggande och maligna cancernivåer (poäng 3, 4, och 5), vilket ofta leder till olika tolkningar bland kliniker.

Att kombinera maskininlärning med radiomik-en gren av medicin som använder algoritmer för att extrahera stora mängder kvantitativa egenskaper från medicinska bilder-har föreslagits som ett sätt att åtgärda denna nackdel. Dock, andra studier har bara testat ett begränsat antal maskininlärningsmetoder för att hantera denna begränsning. I kontrast, Mount Sinai och USC-forskare utvecklade ett förutsägande ramverk som noggrant och systematiskt utvärderade många sådana metoder för att identifiera de bäst presterande. Ramverket utnyttjar också större utbildnings- och valideringsuppsättningar än tidigare studier gjorde. Som ett resultat, forskare kunde klassificera patienternas prostatacancer med hög känslighet och ett ännu högre prediktivt värde.

"Genom att noggrant och systematiskt kombinera maskininlärning med radiomik, vårt mål är att ge radiologer och klinisk personal ett bra prediktionsverktyg som så småningom kan översättas till mer effektiv och personlig patientvård, "sa Gaurav Pandey, Doktorsexamen, Biträdande professor i genetik och genomiska vetenskaper vid Icahn School of Medicine på Mount Sinai och högre motsvarande författare till publikationen tillsammans med motsvarande författare Bino Varghese, Doktorsexamen, Docent i forskningsradiologi vid Keck School of Medicine vid USC. "Vägen till att förutsäga prostatacancerprogression med hög noggrannhet förbättras någonsin, och vi tror att vår objektiva ram är ett välbehövligt framsteg. "

• Experter undersöker tarmens inblandning i Parkinsons sjukdom
• Zebrafisk erbjuder ledtrådar för att lindra gastrointestinal nöd relaterad till autism