Una plataforma de inteligencia artificial que integra datos y modelos de imágenes y respalda la atención de precisión a lo largo del proceso continuo del cáncer de próstata

En Europa, el cáncer de próstata (CaP) es el segundo tipo de cáncer más frecuente en los hombres y el tercero más letal. Las prácticas clínicas actuales, que a menudo conducen a sobrediagnósticos y sobretratamiento de tumores indolentes, adolecen de una falta de precisión que exige modelos de IA avanzados que vayan más allá de SoA al descifrar patrones de imágenes médicas de alto nivel no intuitivos y aumentar el rendimiento en la discriminación de enfermedades indolentes de agresivas. la predicción temprana de la recurrencia y la detección de metástasis o la predicción de la eficacia de las terapias. Hasta la fecha, los esfuerzos están fragmentados, basados ​​en conjuntos de datos de una sola institución, de tamaño limitado y específicos del proveedor, mientras que los conjuntos de datos públicos de PCa disponibles (p. US TCIA) son solo unos pocos cientos de casos que hacen imposible la generalización del modelo.

El proyecto ProCAncer-I reúne a 20 socios, incluidos centros de referencia de PCa, líderes mundiales en IA y pymes innovadoras, con experiencia reconocida en sus respectivos dominios, con el objetivo de diseñar, desarrollar y mantener una infraestructura de imagen europea segura y basada en la nube con herramientas y servicios para el manejo de datos. La plataforma alberga la colección más grande de MRI multiparamétrica (mp) de PCa, datos de imágenes anonimizados en todo el mundo (> 17,000 casos), según la donación de datos, en línea con la legislación de la UE (GDPR). Se desarrollan modelos robustos de IA, basados ​​en metodologías de aprendizaje de conjunto novedosas, que conducen a modelos de IA neutrales y específicos del proveedor para abordar 8 escenarios clínicos de PCa.

Para acelerar la traducción clínica de los modelos PCa AI, nos enfocamos en mejorar la confianza de las soluciones con respecto a la equidad, la seguridad, la explicabilidad y la reproducibilidad. Se desarrollan métricas para monitorear el rendimiento del modelo y una funcionalidad de explicabilidad causal para aumentar aún más la confianza clínica e informar sobre posibles fallas y errores. Se define una hoja de ruta para la certificación de modelos de IA, interactuando con las autoridades regulatorias, contribuyendo así a una hoja de ruta regulatoria europea para validar la efectividad de los modelos basados ​​en IA para la toma de decisiones clínicas.