Validazione di un modello di machine learning basato sulla RM per la previsione del cancro alla prostata

Si tratta di uno studio di osservazione trasversale e non interventistico che prevede l’analisi dei dati raccolti sia retrospettivamente che prospetticamente.

I pazienti saranno arruolati dal personale medico radiologo designato dallo sperimentatore principale. Il Ricercatore Principale e i suoi delegati saranno responsabili dell'acquisizione e della pseudo-anonimizzazione delle immagini dei pazienti arruolati (sia retrospettivamente che prospetticamente) dal RIS-PACS dell'IRCCS Azienda Ospedaliera Universitaria di Bologna, Policlinico di Sant'Orsola. Quando disponibile, per i partecipanti sottoposti a intervento chirurgico alla prostata, l'U.O. di Anatomia Patologica fornirà le scansioni digitali delle macrosezioni prostatiche.

Per la validazione del modello di machine learning del CaP clinicamente significativo, sarà messo a disposizione dei radiologi uno strumento. Questo strumento è sviluppato dal Dipartimento di Informatica - Scienza e Ingegneria, DISI, Università di Bologna e Istituto di ricerca Alma Mater sulle sfide globali e i cambiamenti climatici, Alma Climate, Università di Bologna, e integrato in un visualizzatore Dicom open source, Aliza MS Visualizzatore DICOM. I medici avranno poi la possibilità di effettuare autonomamente la segmentazione delle sequenze ADC (precedentemente pseudo-anonime) e avviare il processo radiomico per ottenere un valore predittivo della probabilità che la lesione segmentata sia clinicamente significativa. Questo valore di probabilità sarà calcolato dal software sulla base del modello di machine learning sviluppato in PROSTATE_01. Lo strumento consente anche la raccolta dati (organizzata e pseudo-anonima). La validazione del modello predittivo clinicamente significativo del CaP sarà effettuata su tutti i pazienti arruolati sia retrospettivamente che prospetticamente, esclusi quelli utilizzati nella fase di training del modello in PROSTATE_01. Dopo aver valutato le prestazioni del modello validato e gli effetti dei bias di selezione, una volta completato il reclutamento sia retrospettivamente che prospetticamente, verrà effettuato un affinamento del modello precedentemente sviluppato. Si tratterà di un “riaddestramento” del modello stesso, effettuato su dataset di training e test selezionati casualmente dall'intera popolazione arruolata da cui sarà ottenuto casualmente, per differenza, anche il sottoinsieme per una nuova validazione.