ИИ и радиомика предсказывают агрессивность рака простаты

Сочетание алгоритма искусственного интеллекта (ИИ) и радиомики может точно и автоматически предсказать агрессивность рака предстательной железы на основе динамических МРТ-исследований с контрастным усилением еще до проведения биопсии, говорится в статье, опубликованной в сентябре в журнале  Clinical Radiology.
После обучения и проверки нескольких различных алгоритмов для дифференциации пациентов с низким или средним риском и пациентов с высоким риском инвазивного рака предстательной железы, исследовательская группа во главе с д-ром Бо Лиу из Второй аффилированной больницы Медицинского университета Чунцина, Китай, обнаружила, что метод ИИ обладает точностью 90%.

«Это ценное средство, помогающее врачам клиник определять необходимое лечение для своих пациентов. Оно может широко применяться в клинической практике», — написали они.

У пациентов с раком предстательной железы с показателями по шкале Глисона (GS) ≤ 7 наблюдается более высокая выживаемость без биохимических заболеваний и более низкая смертность от рака простаты, чем у пациентов с GS ≥ 8. Ученые стремились исследовать клиническую ценность сочетания радиомики и машинного обучения при анализе многофазной МРТ с динамическим контрастированием для выявления рака предстательной железы с низким/средним (GS ≤ 7) риском и высоким риском потенциального инвазивного рака (GS ≥ 8) до проведения биопсии. В свое ретроспективное исследование они включили анализ злокачественных новообразований у 40 пациентов с патологически подтвержденным раком предстательной железы и баллами 4 или 5 по системе оценки Prostate Imaging-Reporting and Data version 2 (PI-RADS v2).

Все пациенты сделали биопсию в течение четырех недель после МРТ обследования с динамическим контрастированием. Используя кривую интенсивности сигнал-время, сегментация патологических новообразований выполнялась на первой и самой сильной фазе усиления исходных МРТ изображений. Затем для каждого новообразования автоматически оценивались 1029 количественных радиомических показателей, включая статистику первого порядка, характеристики формы и размера, структурные особенности и статистические функции более высокого порядка. После этого исследователи применили несколько методов, чтобы выбрать наиболее полезные функции радиомики для их использования в машинном обучении.

И, наконец, исследователи обучили и опробовали пять различных алгоритмов: опорный вектор, основанный на линейном ядре; логистическая регрессия; алгоритм случайного леса; анализ дерева решений и метод k ближайших соседей. Каждый метод был независимо обучен и протестирован с использованием пятикратной перекрестной проверки. Исследователи также выполнили корреляционный анализ, чтобы определить особенности модели машинного обучения — логистической регрессии — которая показала наилучшие результаты классификации злокачественных опухолей предстательной железы.

Показатели лучшего классификатора для классификации инвазивности рака предстательной железы

  Чувствительность Специфичность Точность Площадь под кривой
Алгоритм машинного обучения

86%

94%

90%

0.93

«Радиомические признаки могут четко выявить крошечные изменения в гистологической анатомии и патофизиологии новообразований, которые трудно определить количественно невооруженным глазом, и которые часто проходят незамеченными в клинической практике», — пишут авторы.

Исследователи отметили, что признаки, выделенные на первой фазе контрастного усиления опухоли, имеют более тесную связь с патофизиологией рака, чем те, которые были получены на самой сильной фазе.

«Будучи совершенно новой технологией, этот метод не зависит от обычной клинической оценки, — пишут авторы. — Он может стать эффективным дополнением к традиционной МРТ и в будущем может быть включен в новую версию оценочной системы PI-RADS».

Оригинал новости можно прочитать здесь

Последние мировые достижения в диагностике и лечении РПЖ – на IX Международной Школе Клинической Радиологии «Рак предстательной железы от А до Я».