Un equipo de investigadores de la Escuela de Medicina Icahn de Mount Sinai y la Escuela de Medicina Keck de la Universidad del Sur de California USC han desarrollado un nuevo marco de aprendizaje automático que distingue entre el cáncer de próstata de bajo y alto riesgo con másprecisión que nunca antes. El marco, descrito en un artículo de Scientific Reports publicado hoy, está destinado a ayudar a los médicos, en particular a los radiólogos, a identificar con mayor precisión las opciones de tratamiento para pacientes con cáncer de próstata, disminuyendo la posibilidad de una intervención clínica innecesaria.
El cáncer de próstata es una de las principales causas de muerte por cáncer en hombres estadounidenses, solo superado por el cáncer de pulmón. Si bien los avances recientes en la investigación del cáncer de próstata han salvado muchas vidas, las herramientas de predicción objetivas, hasta ahora, siguen siendo una necesidad insatisfecha.
En la actualidad, los métodos estándar utilizados para evaluar el riesgo de cáncer de próstata son las imágenes de resonancia magnética multiparamétrica mpMRI, que detecta lesiones de la próstata, y el Sistema de datos e informes de imágenes de próstata, versión 2 PI-RADS v2, una puntuación de cinco puntossistema que clasifica las lesiones encontradas en el mpMRI. En conjunto, estas herramientas están destinadas a predecir de manera sólida la probabilidad de cáncer de próstata clínicamente significativo. Sin embargo, la puntuación de PI-RADS v2 es subjetiva y no distingue claramente entre los niveles de cáncer intermedio y maligno puntajes 3,4 y 5, que a menudo conducen a diferentes interpretaciones entre los médicos.
Se ha propuesto combinar el aprendizaje automático con la radiología, una rama de la medicina que utiliza algoritmos para extraer grandes cantidades de características cuantitativas de las imágenes médicas como un enfoque para remediar este inconveniente. Sin embargo, otros estudios solo han probado un número limitado demétodos de aprendizaje automático para abordar esta limitación. Por el contrario, los investigadores de Mount Sinai y USC desarrollaron un marco predictivo que evaluó de manera rigurosa y sistemática muchos de estos métodos para identificar el mejor rendimiento. El marco también aprovecha mayores conjuntos de datos de capacitación y validación que estudios anterioresComo resultado, los investigadores pudieron clasificar el cáncer de próstata de los pacientes con alta sensibilidad y un valor predictivo aún mayor.
"Al combinar de forma rigurosa y sistemática el aprendizaje automático con la radiología, nuestro objetivo es proporcionar a los radiólogos y al personal clínico una herramienta de predicción de sonido que eventualmente pueda traducirse en una atención al paciente más efectiva y personalizada", dijo Gaurav Pandey, PhD, Profesor Asistente de Genéticay Ciencias Genómicas en la Escuela de Medicina Icahn en Mount Sinai y autor principal corresponsal de la publicación junto con el autor co-corresponsal Bino Varghese, PhD, Profesor Asistente de Investigación de Radiología en la Escuela de Medicina Keck en la USC. "La vía para predecir el cáncer de próstatala progresión con alta precisión siempre está mejorando, y creemos que nuestro marco objetivo es un avance muy necesario ".
Fuente de la historia :
Materiales proporcionados por El Hospital Mount Sinai / Escuela de Medicina Mount Sinai . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :