PSMA-PET: Deep Radiomic Biomarkers of Progression and Respons Prediction in Prostata Cancer

Prostatacancer (PCa) er den mest almindelige non-hud malignitet og den tredje hyppigste årsag til kræftdød hos nordamerikanske mænd. Den nøjagtigt kortlagte metastatiske tilstand er en nødvendig forudsætning for at vejlede behandling i praksis og i kliniske forsøg. Billeddannende biomarkører (BM'er) kan give information om sygdomsvolumen og fordeling, prognose, ændringer i biologisk adfærd, terapi-inducerede ændringer (både respondere og ikke-respondere), varigheder af respons, fremkomst af behandlingsresistens og værtens reaktion på terapierne .

Af særlig relevans for metastatisk prostatacancer er fremkomsten af ​​en lovende billedbehandlingsteknik, der involverer nye prostataspecifikke membranantigen (PSMA) positronemissionstomografi (PET) sporstoffer. Denne tilgang har vist en højere følsomhed til påvisning af metastaser, før og under behandling, end den nuværende billeddiagnostiske standard for pleje (CT og knoglescanning), og er ikke bredt klinisk tilgængelig uden for forskningsområdet i Nordamerika.

Positronemissionstomografi / computertomografi (PET/CT) er en nuklearmedicinsk billeddiagnostisk procedure baseret på måling af positronemission fra radiomærkede spormolekyler in vivo. PSMA er et homodimert type II membranmetalloenzym, der fungerer som en glutamatcarboxypeptidase/folathydrolase og er overudtrykt i PCa. PSMA udtrykkes i langt de fleste PCa-vævsprøver, og dets ekspressionsgrad korrelerer med en række vigtige målinger for PCa-tumoraggressivitet, herunder Gleason-score, tilbøjelighed til at metastasere og udviklingen af ​​kastrationsresistens.

[18F]DCFPyL er en lovende højfølsom andengenerations PSMA-målrettet urea-baseret PET-sonde. Undersøgelser, der anvender andengenerations PSMA PET/CT-billeddannelse hos mænd med biokemisk progression efter endelig terapi, tyder på påvisning af metastaser hos over 60 % af de afbildede mænd.

Dyb læring er defineret som en variant af kunstige neurale netværk, der bruger flere lag af 'neuroner'. Dyb læring er blevet undersøgt i medicinsk billeddannelse i adskillige applikationer på tværs af organsystemer. Inden for onkologi er grundlæggende kunstige neurale netværk til støtte for beslutningstagning tidligere blevet udviklet retrospektivt i brystkræft og prostatacancer, men er ikke blevet valideret eller integreret prospektivt. Nye datadrevne metoder er nødvendige for at forudsige resultater så tidligt som muligt for at vejlede varigheden og aggressiviteten af ​​en bestemt terapi. De er også nødvendige for optimal patientvalg baseret på patientens respons på en given terapi.

Her antager efterforskerne, at kombinationen af ​​en højtydende billeddannelsesteknik for prostatacancer kombineret med maskinlæring har et stort potentiale. Hovedformålet med denne undersøgelse er at erhverve PSMA-PET-data hos patienter med prostatacancer, som modtager behandling og opfølgning for at muliggøre opdagelsen af ​​prædiktive billeddannelsesbiomarkører gennem deep learning-teknikker.