Ontwikkeling van modellen voor kunstmatige intelligentie voor de segmentatie en karakterisering van prostaatkanker: een retrospectief observationeel onderzoek in één centrum.

Prostaatkanker is de tweede meest voorkomende vorm van kanker onder de mannelijke bevolking. Deze pathologie vertegenwoordigt een oncologisch en volksgezondheidsprobleem, vooral in ontwikkelde landen, als gevolg van een grotere aanwezigheid van oudere mannen in de bevolking.

Medische beeldvorming speelt een centrale rol bij de stadiëring en herstadiëring van prostaataandoeningen. Magnetische resonantiebeeldvorming (MRI), computertomografie (CT) en positronemissietomografie (PET) behoren tot de methoden die in de normale klinische praktijk vaak worden gebruikt voor de karakterisering van prostaatkanker. Tot op heden is de studie van deze beelden beperkt tot een kwalitatieve visuele analyse, maar er is steeds meer bewijs met betrekking tot het nut van het introduceren van een kwantitatieve (of semi-kwantitatieve) analyse van biomedische beelden.

De huidige toename van de beschikbare beeldgegevens en de kwaliteit ervan maakt de toepassing van kunstmatige-intelligentiemethoden ook op medisch gebied mogelijk voor de automatisering van taken (bijv. automatische segmentatie) en classificatie (bijv. agressiviteit van de tumor).

De extractie van kwantitatieve gegevens, en meer in het algemeen de studie van tumorlaesies, vereist handmatige segmentatie door een of meer artsen. Dit proces vergt zeer lange tijd omdat elk beeld afzonderlijk moet worden verwerkt; bovendien hangt het resultaat ook af van het ervaringsniveau van de arts die de segmentatie uitvoert, en dit zou een bron van heterogeniteit kunnen creëren, wat de reproduceerbaarheid van de segmentatie zou beïnvloeden.

Op AI gebaseerde automatische segmentatiemethoden kunnen worden toegepast op medische beelden voor de lokalisatie van tumorlaesies, waardoor de grenzen van handmatige segmentatie worden overschreden.