Un team di ricercatori della Icahn School of Medicine di Mount Sinai e Keck School of Medicine dell'Università della California del Sud (USC) ha sviluppato un nuovo sistema di apprendimento automatico che distingue tra carcinoma della prostata a basso e alto rischio con maggiore precisione rispetto a quelli sino ad oggi utilizzati. Il sistema, descritto in un articolo di Scientific Reports pubblicato in questi giorni, ha lo scopo di aiutare i medici - in particolare i radiologi - ad identificare più accuratamente le opzioni di trattamento per i pazienti con carcinoma prostatico, riducendo la possibilità di interventi clinici non necessari.

Il cancro alla prostata è una delle principali cause di morte per cancro negli uomini americani, seconda solo al cancro ai polmoni. Mentre i recenti progressi nella ricerca sul cancro alla prostata hanno salvato molte vite, fino ad ora gli strumenti di previsione oggettiva sono rimasti un'esigenza insoddisfatta. Attualmente, i metodi standard utilizzati per valutare il rischio di cancro alla prostata sono la risonanza magnetica multiparametrica (mpMRI), che rileva le lesioni alla prostata con il sistema PI-RADS un sistema di punteggio a cinque punti che classifica le lesioni trovate su mpMRI.

Insieme, questi strumenti hanno lo scopo di prevedere profondamente la probabilità di carcinoma prostatico clinicamente significativo. Tuttavia, il punteggio PI-RADS v2 è soggettivo e non distingue chiaramente tra livelli di cancro intermedi e maligni (punteggi 3, 4 e 5), portando spesso a interpretazioni diverse tra i clinici.

La combinazione dell'apprendimento automatico con la radiomica - una branca della medicina che utilizza algoritmi per estrarre grandi quantità di caratteristiche quantitative dalle immagini mediche - è stata proposta come approccio per rimediare a questo inconveniente. Tuttavia, altri studi hanno testato solo un numero limitato di metodi di apprendimento automatico per affrontare questa limitazione. Al contrario, i ricercatori del Monte Sinai e dell'USC hanno sviluppato un quadro predittivo che ha valutato rigorosamente e sistematicamente molti di questi metodi per identificare quello con le migliori prestazioni. Il framework sfrutta inoltre set di dati di formazione e validazione più ampi rispetto agli studi precedenti. Di conseguenza, i ricercatori sono stati in grado di classificare il carcinoma prostatico dei pazienti con elevata sensibilità e un valore predittivo ancora più elevato.

"Combinando rigorosamente e sistematicamente l'apprendimento automatico con la radiomica, il nostro obiettivo è fornire ai radiologi e al personale clinico uno strumento di previsione che alla fine possa tradursi in un'assistenza più efficace e personalizzata per i pazienti", ha affermato Gaurav Pandey, PhD, Assistente di genetica e genomica Sciences presso la Icahn School of Medicine di Mount Sinai e senior autore corrispondente della pubblicazione insieme al co-corrispondente autore Bino Varghese, PhD, Assistant Professor of Research Radiology presso la Keck School of Medicine dell'USC. "Il percorso verso la previsione della progressione del carcinoma prostatico con elevata precisione è in costante miglioramento e riteniamo che il nostro quadro oggettivo sia un progresso necessario".