Una piattaforma AI che integra dati e modelli di imaging, supportando cure di precisione attraverso il continuum del cancro alla prostata

In Europa, il cancro alla prostata (PCa) è il secondo tipo di cancro più frequente negli uomini e il terzo più letale. Le attuali pratiche cliniche, che spesso portano a una diagnosi eccessiva e a un trattamento eccessivo dei tumori indolenti, soffrono di una mancanza di precisione che richiede modelli di intelligenza artificiale avanzati per andare oltre la SoA decifrando modelli di immagini mediche non intuitivi e di alto livello e aumentare le prestazioni nel discriminare la malattia indolente da quella aggressiva, predire precocemente le recidive e rilevare le metastasi o prevedere l'efficacia delle terapie. Ad oggi gli sforzi sono frammentati, basati su set di dati di una singola istituzione, di dimensioni limitate e specifici del fornitore, mentre i set di dati pubblici PCa disponibili (ad es. US TCIA) sono solo poche centinaia di casi che rendono impossibile la generalizzabilità del modello.

Il progetto ProCAncer-I riunisce 20 partner, tra cui centri di riferimento PCa, leader mondiali nell'IA e PMI innovative, con competenze riconosciute nei rispettivi settori, con l'obiettivo di progettare, sviluppare e sostenere un'infrastruttura di immagine europea sicura basata su cloud con strumenti e servizi per il trattamento dei dati. La piattaforma ospita la più grande raccolta di PCa multiparametrica (mp) MRI, dati di immagini anonimi in tutto il mondo (> 17.000 casi), basati sulla donazione di dati, in linea con la legislazione dell'UE (GDPR). Vengono sviluppati robusti modelli di intelligenza artificiale, basati su nuove metodologie di apprendimento dell'insieme, che portano a modelli di intelligenza artificiale specifici del fornitore e neutri per affrontare gli scenari clinici di 8 PCa.

Per accelerare la traduzione clinica dei modelli PCa AI, ci concentriamo sul miglioramento della fiducia delle soluzioni rispetto all'equità, alla sicurezza, alla spiegabilità e alla riproducibilità. Le metriche per monitorare le prestazioni del modello e una funzionalità di spiegabilità causale sono sviluppate per aumentare ulteriormente la fiducia clinica e informare su possibili fallimenti ed errori. Viene definita una tabella di marcia per la certificazione dei modelli di intelligenza artificiale, interagendo con le autorità di regolamentazione, contribuendo così a una tabella di marcia normativa europea per convalidare l'efficacia dei modelli basati sull'intelligenza artificiale per il processo decisionale clinico.