Nyt værktøj til forudsigelse af prostatakræft har uovertruffen nøjagtighed

Nuværende værktøjer, der bruges til at forudsige prostatakræftprogression, er generelt subjektive, hvilket fører til forskellige fortolkninger blandt klinikere

Et team af forskere fra Icahn School of Medicine ved Mount Sinai og Keck School of Medicine ved University of Southern California (USC) har udviklet en ny maskinlæringsramme, der skelner mellem lav- og højrisiko prostatakræft med mere præcision end nogensinde. Rammerne, beskrevet i et Scientific Reports -papir, der blev offentliggjort i dag, er beregnet til at hjælpe læger-især radiologer-mere præcist identificere behandlingsmuligheder for patienter med prostatakræft, mindske chancen for unødvendig klinisk intervention.

Prostatakræft er en af ​​de førende årsager til kræftdød hos amerikanske mænd, anden kun til lungekræft. Selvom de seneste fremskridt inden for forskning i prostatakræft har reddet mange liv, objektive forudsigelsesværktøjer har, indtil nu, forblev et uopfyldt behov.

I øjeblikket, standardmetoderne til vurdering af prostatakræftrisiko er multiparametrisk magnetisk resonansbilleddannelse (mpMRI), som registrerer prostata læsioner, og Prostate Imaging Reporting and Data System, version 2 (PI-RADS v2), et fem-punkts scoringssystem, der klassificerer læsioner fundet på mpMRI. Sammen, disse værktøjer er beregnet til forsvarligt at forudsige sandsynligheden for klinisk signifikant prostatakræft. Imidlertid, PI-RADS v2-scoring er subjektiv og skelner ikke klart mellem mellemliggende og maligne kræftniveauer (score 3, 4, og 5), ofte fører til forskellige fortolkninger blandt klinikere.

Kombination af maskinlæring med radiomik-en gren af ​​medicin, der bruger algoritmer til at udtrække store mængder kvantitative egenskaber fra medicinske billeder-er blevet foreslået som en metode til at afhjælpe denne ulempe. Imidlertid, andre undersøgelser har kun testet et begrænset antal maskinlæringsmetoder til at håndtere denne begrænsning. I modsætning, Mount Sinai og USC forskere udviklede en forudsigende ramme, der grundigt og systematisk vurderede mange sådanne metoder til at identificere den bedst effektive. Rammerne udnytter også større uddannelses- og valideringsdatasæt end tidligere undersøgelser gjorde. Som resultat, forskere var i stand til at klassificere patienters prostatakræft med høj følsomhed og en endnu højere forudsigelsesværdi.

"Ved nøje og systematisk at kombinere maskinlæring med radiomik, vores mål er at give radiologer og klinisk personale et forsvarligt forudsigelsesværktøj, der i sidste ende kan oversætte til mere effektiv og personlig patientpleje, "sagde Gaurav Pandey, Ph.d., Adjunkt i genetik og genomisk videnskab ved Icahn School of Medicine på Mount Sinai og senior tilsvarende forfatter til publikationen sammen med medkorrespondentforfatter Bino Varghese, Ph.d., Lektor i forskningsradiologi ved Keck School of Medicine ved USC. "Vejen til at forudsige progression af prostatakræft med høj nøjagtighed forbedres nogensinde, og vi mener, at vores objektive ramme er et tiltrængt fremskridt. "

• Eksperter undersøger indvolvering af tarmen i Parkinsons sygdom
• Zebrafisk giver fingerpeg om at lindre gastrointestinal lidelse relateret til autisme