Tutkijaryhmä Icahnin lääketieteen laitokselta Mount Sinai ja Keck School of Medicine Etelä-Kalifornian yliopistosta (USC) ovat kehittäneet uuden koneoppimisen viitekehyksen, joka erottaa matalan ja korkean riskin eturauhassyövän tarkemmin kuin koskaan ennen. Viitekehys, kuvattu tänään julkaistussa Scientific Reports -paperissa, on tarkoitettu auttamaan lääkäreitä-erityisesti radiologit-tunnistavat tarkemmin hoitovaihtoehdot eturauhassyöpäpotilaille, vähentää tarpeettoman kliinisen toimenpiteen mahdollisuutta.
Eturauhassyöpä on yksi johtavista syöpäkuolemien syistä amerikkalaisilla miehillä. toiseksi vain keuhkosyöpä. Vaikka eturauhassyövän tutkimuksen viimeaikainen kehitys on pelastanut monia ihmishenkiä, objektiivisilla ennustustyökaluilla on tähän asti, jäi tyydyttämättömäksi tarpeeksi.
Tällä hetkellä, vakiomenetelmät eturauhassyövän riskin arvioimiseksi ovat moniparametrinen magneettikuvaus (mpMRI), joka havaitsee eturauhasen vaurioita, ja eturauhasen kuvantamisen raportointi- ja tietojärjestelmä, versio 2 (PI-RADS v2), viiden pisteen pisteytysjärjestelmä, joka luokittelee mpMRI:stä löydetyt vauriot. Yhdessä, Näiden työkalujen tarkoituksena on ennustaa vakaasti kliinisesti merkittävän eturauhassyövän todennäköisyys. Kuitenkin, PI-RADS v2 -pisteytys on subjektiivinen, eikä se erota selvästi syövän keskitasoa ja pahanlaatuisuutta (pisteet 3, 4, ja 5), johtavat usein erilaisiin tulkintoihin lääkäreiden kesken.
Koneoppimisen yhdistäminen radiomiikkaan-lääketieteen haara, joka käyttää algoritmeja poimimaan suuria määriä määrällisiä ominaisuuksia lääketieteellisistä kuvista-on ehdotettu lähestymistavaksi tämän haitan korjaamiseksi. Kuitenkin, muut tutkimukset ovat testanneet vain rajoitetun määrän koneoppimismenetelmiä tämän rajoituksen korjaamiseksi. Verrattuna, Siinainvuoren ja USC:n tutkijat kehittivät ennakoivan kehyksen, joka arvioi tarkasti ja järjestelmällisesti monia tällaisia menetelmiä parhaiten menestyvän tunnistamiseksi. Kehys hyödyntää myös laajempaa koulutus- ja validointiaineistoa kuin aiemmat tutkimukset. Tuloksena, tutkijat pystyivät luokittelemaan potilaiden eturauhassyövän suurella herkkyydellä ja vielä korkeammalla ennustavalla arvolla.
"Yhdistämällä koneoppiminen ja radiologia tiukasti ja järjestelmällisesti, Tavoitteenamme on tarjota radiologeille ja kliiniselle henkilökunnalle hyvä ennustustyökalu, joka voi lopulta tehostaa tehokkaampaa ja yksilöllisempää potilaan hoitoa, "sanoi Gaurav Pandey, PhD, Apulaisprofessori genetiikasta ja genomitieteistä Icahnin lääketieteellisessä korkeakoulussa Siinainvuorella ja julkaisun vastaava vastaava kirjoittaja yhdessä vastaavan kirjailijan Bino Varghesen kanssa, PhD, Tutkimusradiologian apulaisprofessori Keckin lääketieteen laitoksella USC:ssä. "Reitti eturauhassyövän etenemisen ennustamiseen suurella tarkkuudella paranee jatkuvasti, ja uskomme, että objektiivinen kehys on kaivattu edistysaskel. "