前列腺癌预测看起来机器学习准确性提升

诊断前列腺癌(PCa)一直面临难以克服的障碍。目前的诊断标准，前列腺特异性抗原或PSA检测，有许多局限性 - 正如1970年PSA的发现者Richard J. Ablin博士在无数场合大声争论。然而，由于有限的诊断选择以及PCa可以转移并变得致命的速度，你知道的魔鬼比你不知道的魔鬼更好。

尽管如此，科学一直在寻找更好，更快的疾病诊断解决方案，来自西奈山伊坎医学院和南加州大学凯克医学院(USC)的一组研究人员刚刚公布了一种新型机器的数据 - 他们开发的学习框架能够比以往更加精确地区分低风险和高风险的前列腺癌。通过一篇题为“ 使用机器学习和放射医学应用于多参数磁共振图像的前列腺癌的客观风险分层 ”的文章发表的新研究结果发表在今天的科学报告中“ - 提供一个旨在帮助医生的框架 - 特别是放射科医师 - 更准确地确定PCa患者的治疗选择，减少不必要的临床干预的机会。

目前，用于评估PCa风险的标准方法是多参数磁共振成像(mpMRI)，其检测前列腺病变，以及前列腺成像报告和数据系统，第2版(PI-RADS v2)，一个五点评分系统，分类在mpMRI上发现的病变。总之，这些工具旨在合理地预测临床上显着的前列腺癌的可能性。然而，PI-RADS v2评分是主观的，并且不能清楚区分中间和恶性癌症水平(评分3,4和5)，通常导致临床医生之间的不同解释。

“本文提出了一个系统而严谨的框架，包括分类，交叉验证和统计分析，这些分析是为了确定基于mpMRI衍生的放射学特征来源于相当大的队列的PCa风险分层的最佳表现分类器而开发的，”作者写道。“该分类器在独立验证集中表现良好，包括在某些方面表现优于PI-RADS v2，表明使用放射学和PCa风险评估分类方法客观地解释mpMRI图像的价值。”

将机器学习与放射医学相结合 - 一种使用算法从医学图像中提取大量定量特征的医学分支 - 已被提出作为弥补这一缺点的方法。然而，其他研究仅测试了有限数量的机器学习方法来解决这一限制。相比之下，西奈山和南加州大学的研究人员开发了一个预测框架，该框架严格而系统地评估了许多此类方法，以确定表现最佳的方法。与以前的研究相比，该框架还利用了更大的培训和验证数据集。因此，研究人员能够以高灵敏度和更高的预测价值对患者的PCa进行分类。

“通过严格和系统地将机器学习与放射学相结合，我们的目标是为放射科医师和临床人员提供一个完善的预测工具，最终可以转化为更有效和个性化的患者护理，”高级研究调查员Gaurav Pandey博士说道，他是助理教授。西奈山伊坎医学院的遗传学和基因组学。“以高精度预测前列腺癌进展的途径正在不断改进，我们相信我们的目标框架是急需的进步。”