Dotychczas istniejące nomogramy mające na celu ocenę agresywności raka stercza wykorzystywały przede wszystkim PSA i ocenę GS w materiale biopsyjnym oraz wielkość guza. Od 2020 roku, kiedy to wytyczne EAU zaczęły silnie rekomendować wykonywanie RM przed biopsją stercza dla oceny lokalizacji i ewentu...
Niestety ocena zmian przy interpretacji obrazów RM przez radiologów charakteryzuje się dużą zmiennością a ponadto nie klasyfikuje lub nieprawidłowo klasyfikuje zmiany pod kątem ich istotności klinicznej. W związku z tym bardzo prawdopodobne jest iż w przyszłości całkowicie zautomatyzowane systemy CAD (computer-aided diagnosis) zaczną stopniowo zastępować człowieka jako narzędzie interpretacji wyników badań obrazowych.
Celem pracy włoskich badaczy było stworzenie uniwersalnego narzędzia komputerowej analizy obrazów mp-MRI umożliwiającego stratyfikację pacjentów do grup ryzyka. W tym celu użyto oprogramowanie C++ oraz oprogramowanie zawierające zwalidowane pod względem nomenklatury i definicji parametry obrazu w ramach IBSI (image biomarker standardization inititive).
Wykorzystując retrospektywną analizę materiału obejmującego 131 pacjentów u których w latach 2010-2019 wykonano mp-MRI do 3 miesięcy przed prostatektomią a następnie ocenę aż 92 różnych parametrów obrazu rezonansu magnetycznego, które mogły w założeniu mieć największą wartość predykcyjną i zestawiając je z wynikami badania preparatów prostat sekcjonowanych analogicznie do obrazów sekwencji strzałkowych T2, autorzy stworzyli algorytm, który różnicował guzy mało agresywne od wysoko agresywnych z dużą dokładnością od 75 do 95%.
Niewątpliwym sukcesem stworzonego narzędzia okazał się również fakt iż żadna ze zmian oceniona retrospektywnie jako agresywna nie została zakwalifikowana przez algorytm jako nieistotna klinicznie. Ponadto stworzone oprogramowanie w przeciwieństwie do innych CAD nie wymagało wykonywania manualnej segmentacji guza w obrazach RM. Wyniki są na tyle obiecujące iż należy oczekiwać próby ich potwierdzenia w większych badaniach prospektywnych .
Giannini V, Mazzetti S, Defeudis A, Stranieri G, Calandri M, Bollito E, Bosco M, Porpiglia F, Manfredi M, De Pascale A, Veltri A, Russo F, Regge D.
A Fully Automatic Artificial Intelligence System Able to Detect and Characterize Prostate Cancer Using Multiparametric MRI: Multicenter and Multi-Scanner Validation.
Front Oncol. 2021 Oct 1;11:718155. doi: 10.3389/fonc.2021.718155.
Maciej Dariusz Szczębara - dr n. med. Specjalista urolog, specjalista androlog Ordynator Oddziału Urologii Szpitala Śląskiego w Cieszynie |