机器学习在前列腺癌成像中的力量

Sylvester综合癌症中心和Desai Sethi泌尿学研究所的研究人员正在进行开创性的研究，利用磁共振成像(MRI)利用机器学习来诊断和预后前列腺癌。

最近开源数据与机器学习模型的集成，特别是在医学领域，为研究疾病进展和/或消退打开了新的大门。常规MRI的应用前列腺癌癌症研究和治疗对于低风险患者的预后、诊断、主动监测和减少活检程序的需求是有效的。

“机器学习的最新进展表明，开发可以从MRI图像中自动化标准化和客观评估的管道是有希望的，同时减少时间，人力资本希曼舒·阿罗拉博士是西尔维斯特和米勒医学院德赛·塞西泌尿学研究所的助理教授，他说。

但在患者护理中有效地使用机器学习存在障碍，包括有效地使用机器学习方法治疗特定癌症的能力，针对特定医疗状况的训练数据的特异性等。在这种情况下，最新的技术，比如生成式对抗网络(GANs)被视为一种潜在的方法，可以生成高质量的合成数据，保存疾病的临床变异性，并应用于PET、CT、MRI、超声和大脑、腹部和胸部的x射线成像。然而，尽管取得了一些成功，但在描述前列腺癌等疾病的异质性时，GAN模型的使用仍然很少。

阿罗拉博士说，转化研究团队专注于改进GAN工具，使输出图像能够应用于前列腺癌的诊断和预后工具，并与之集成。作为在前列腺癌机器学习中使用GANs的先驱，Arora博士撰写了一项研究，“生成对抗网络可以创建高质量的人工前列腺癌磁共振图像”，该研究最近发表在《美国医学杂志》上个性化医学杂志作为特刊“前列腺癌的前沿和精准医学”的一部分。

及时诊断前列腺癌

鉴于前列腺癌是美国男性中最常见的癌症，也是导致男性癌症相关死亡的第二大常见原因，因此在前列腺癌应用机器学习方面取得进展尤为重要

“及时诊断和评估预后是前列腺癌的挑战，这导致许多人死亡，并增加[疾病进展的风险]，”阿罗拉博士说。“在医疗决策方面，我们无法取代人眼。尽管如此，技术的进步可能有助于放射肿瘤学家做出及时的决定。”

GAN通过需要更少的数据和患者随访来进行有效预测，对机器学习模型的发展产生了长期影响。这对于降低医疗成本和与重复随访相关的疼痛很重要。

使用GAN的基本原理是使用机器学习能力，通过从以前的随访(MRI图像和临床参数)中学习并理解和预测疾病进展或回归模式来生成数字图像。

“从技术上讲，这里开发的技术是建立更复杂的‘数据增强’模型的第一个开始数字图像可用于进一步分析。这是我们研究的早期阶段，但结果非常有希望，”阿罗拉博士说。

高质量核磁共振成像和深度学习

阿罗拉博士和他的同事们使用前列腺核磁共振成像和来自各种来源的数字病理学作为训练数据来创建GAN模型。使用深度学习，他们训练模型在MRI和组织学切片上分割前列腺边界，组织学切片是组织的微观结构。

具有不同程度经验的科学家将所得图像与传统的前列腺核磁共振成像图像进行了比较。研究人员证明，他们使用该模型生成的前列腺癌核磁共振成像是高质量的。深度学习分割有助于去除高失真的图像，这表明这种GAN机器学习前列腺癌模型对复杂的前列腺癌患者成像具有很好的意义。

阿罗拉博士说:“我们在Desai Sethi研究所和Sylvester的团队成功开发了定制化GAN，以生成足够高质量的合成图像，从而引领了这项研究。”“这些图像被用于训练传统的机器学习模型，这些模型可以通过使用来自主动监测试验的内部数据和来自多种资源的公开数据来进行前列腺癌的诊断和预后。”

阿罗拉博士和他的团队展示了他们在GAN用于前列腺癌主要医学会议，包括美国人类遗传学学会和美国泌尿学协会2022年年会。