根據(jù)《科學報告》發(fā)表的新研究，將機器學習和放射線學相結合的新框架將有助于區(qū)分低危和高危前列腺癌。

“通過嚴格和系統(tǒng)地將機器學習與放射線學結合起來，我們的目標是為放射科醫(yī)生和臨床人員提供一種聲音預測工具，最終可以轉(zhuǎn)化為更有效和個性化的患者護理，”主要作者伊坎學校的Gaurav Pandey博士說。西奈山醫(yī)學博士在準備好的聲明中。

AI仍然是許多癌癥(包括宮頸癌， 子宮癌 和肺癌)的診斷工具。

Pandey及其同事開發(fā)了該方法，以允許放射科醫(yī)生準確地確定前列腺癌患者的治療選擇。這可以減少不必要的臨床干預的機會。

當前用于評估前列腺癌風險的方法(前列腺成像報告和數(shù)據(jù)系統(tǒng)，版本2(PI-RADS v2))是主觀的，因為它使用對MRI上發(fā)現(xiàn)的病變進行評分的五點評分系統(tǒng)。PI-RADS v2通常會導致放射科醫(yī)生之間得分和解釋不同，從而可能產(chǎn)生不必要的干預。

Pandey等。組合放射學，使用算法從醫(yī)學圖像中提取大量定量特征，并使用機器學習作為框架。Radiomics 已顯示出改善和向放射科醫(yī)生提供有關良性和惡性乳腺腫瘤的信息的有效性。

他們的方法使用了110個放射性特征，這些特征使用基于二次核的支持向量機(QSVM)進行了解釋，最終隊列為54個人。

重要的是，與PI-RADS v2方法相比，對前列腺癌患者進行分級的機器學習方法具有“合理的高精度”或預測值，并具有較高的召回率或敏感性(高和低風險類別分別為0.86和0.72)在獨立的驗證集中。雖然如此，PI-RADS v2分類的曲線下總面積(AUC)高于機器學習分類器(0.73對0.71)。

Pandey在同一份聲明中說：“高精度預測前列腺癌進展的途徑正在不斷改善，我們認為我們的客觀框架是急需的進步。”