یک مدل یادگیری عمیق هوش مصنوعی (AI) به بهترین صورت پیش بینی حاشیه تمرکز و احتمال حاشیه منفی را در نمونه های بیماری پروستات بیمارانی که عمل جراحی آنها انجام شده است، بهبود میبخشد. در یک مطالعه برگشت به عقب که در مجله European Urology Open Science منتشر شده است، مدل AI در مقایسه با مدلهای سنتی در حساسیت و میزان اطلاعات بیمارانی با سرطان کلینیکی معنیدار پروستات عملکرد بهتری از خود نشان داد. نویسندگان مطالعه به روش و پلتفرمی بومی و با استفاده از هوش مصنوعی توسعه داده شدهاند که ترکیبی از MRI، بیوپسی پیگیری شده و داده آنتیژن ویژه پروستات (PSA) را به منظور تولید نقشههای برآیند سرطان و تعریف حاشیه بهینه فراهم میکند.
نتایج نشان داد که حاشیههای مكتسب شده از طریق هوش مصنوعی دارای حساسیت میانگین 96.9% برای بیکسلهایی که سرطان دارند، در مقایسه با 37.4% برای مناطق جهتگیری (ROI) سیستم گزارش و دادههای Prostate Imaging Reporting and Data System (PI-RADs) سنتی و 93.2% برای حاشیههای 10 میلیمتری در اطراف ROIهای سنتی بود. حاشیههای هوش مصنوعی همچنین با حاشیههای hemigland، میزان کمتری از سرطان پروستات بالینی معنیدار را به دنبال داشتند، به اندازه 1.6 میلیمتر در مقایسه با 3.8 میلیمتر حاشیههای hemigland.
علاوه بر این، مدل AI نرخ حاشیه منفی را برای سرطان پروستات بالینی معنیدار و نقاط مرجع نمونه ها نسبت به حاشیههای hemigland نشان داد. در جهت سرطان پروستات بالینی معنیدار، نرخ حاشیه منفی با حاشیههای مشتق شده از AI، 80% بود در حالی که با حاشیههای hemigland 56% بود. برای نقاط مرجع نمونه ها، نرخ حاشیه منفی با حاشیههای مشتق شده از AI، 90% بود در حالی که با حاشیههای hemigland 66% بود.
پژوهشگران بر اهمیت مشخصات دقیق سرطان برای مدیریت دقیق و درمان هدفمند سرطان پروستات تأکید کردند. مشخصات پروتوکلهای روشها نقشهبرداری چندپارامتره آناتومیک برای تشخیص مناسب درمان مناسب نیستند. این روش و پلتفرم به روش بهینه سازی شده با استفاده از اطلاعات چندحالته جهت تولید نقشههای برآیند سرطان و تعریف حاشیه بهینه ای را به منظور رفع این نقصان ارائه میدهد.
مطالعه شامل تحلیل برگشت به عقب 50 بیمار متوالی با سرطان پروستات بالینی میانی را که جراحی رادیکال پروستات انجام داده بودند، شامل میشد. محدودیت مطالعه شامل شامل بودن جمعیتی با بیماری بزرگتر و پیشرفتهتر از بیماران درمان تمرکزی، انتخاب نمونه از یک موسسه تنها، و عدم مقایسه با خوانندگان پزشک بود.
پژوهشگران به این نتیجه رسیدند که شیوه نقشهبرداری سرطانی با استفاده از هوش مصنوعی، قابلیت افزایش و توحید حاشیه درمان تمرکزی را دارد که ممکن است نرخ بازگشت سرطان را کاهش دهد. آنها نیاز به مطالعات پیشنها کنکور برای تأیید دیگر شدن و بررسی بیشتر قابلیت پوشش سرطان از بین آوردن هوش مصنوعی در پزشکی تخصصی و برنامهریزی درمانی را بیان کردند.