Rakovina prostaty je zložitá choroba a presné zistenie miestneho recidívu po radikálnej prostatektómii môže byť pre lekárov výzvou. Avšak nedávne pokroky v modeloch strojového učenia ukázali sľub pri zlepšovaní predikcií a usmerňovaní rozhodnutí o liečbe.
Výskumná práca zverejnená v časopise Oncology od Hu a kolegov skúma praktickú klinickú úlohu modelov strojového učenia pri predikcii miestneho recidívu rakoviny prostaty po radikálnej prostatektómii. Štúdia si kladie za cieľ porovnať výkon troch rôznych algoritmov s hodnotou Prostate Imaging for Recurrence Reporting (PI-RR) poskytnutou odbornými radiológmi.
Štúdia zahŕňala retropektívnu analýzu 176 pacientov, ktorí boli náhodne rozdelení do tréningových a testovacích skupín. Odborní radiológovia posúdili skóre PI-RR na základe následných mpMRI skenov a ďalších relevantných údajov. Okrem toho výskumníci vytvorili radiomické modely pomocou algoritmov support vector machine (SVM), linear discriminant analysis (LDA) a logistic regression-least absolute shrinkage and selection operator (LR-LASSO) na predikciu miestneho recidívu.
Najmä radiomický model založený na LR-LASSO preukázal vynikajúci výkon, prevyšujúci samotné skóre PI-RR. V testovacej vzorke dosiahol impozantnú plochu pod krivkou (AUC) 0,858. Ďalej výskumníci vyvinuli kombinovaný model, ktorý integroval radiomické prvky so skóre PI-RR, čo viedlo k najvyššiemu prediktívnemu výkonu s AUC 0,924. Tento kombinovaný model preukázal ešte väčšiu presnosť pri predikcii miestneho recidívu rakoviny prostaty.
Tieto zistenia poukazujú na potenciál modelov radiomiky pri efektívnej predikcii miestneho recidívu rakoviny prostaty po radikálnej prostatektómii. Integrovaním radiomických prvkov so skóre PI-RR si môžu lekári zvýšiť prediktívnu presnosť a urobiť informovanejšie rozhodnutia o liečbe. Toto výskum má signifikantné dôsledky pre zlepšenie výsledkov pacientov a posilnenie celkového riadenia rakoviny prostaty.
The source of the article is from the blog publicsectortravel.org.uk