Validatie van een machine learning-model op basis van MR voor de voorspelling van prostaatkanker

Dit is een transversaal, niet-interventioneel observatieonderzoek dat de analyse omvat van gegevens die zowel retrospectief als prospectief zijn verzameld.

Patiënten worden ingeschreven door de medische staf van radiologen die door de hoofdonderzoeker is aangewezen. De hoofdonderzoeker en zijn afgevaardigden zullen verantwoordelijk zijn voor het verwerven en pseudo-anonimiseren van afbeeldingen van patiënten die (zowel retrospectief als prospectief) zijn ingeschreven bij de RIS-PACS van het IRCCS Bologna Universitair Ziekenhuis, Policlinico di Sant'Orsola. Indien beschikbaar, voor de deelnemers die een prostaatoperatie ondergaan, zal de O.U. van Pathologische Anatomie zal digitale scans van de prostaatmacrosecties verzorgen.

Voor de validatie van het machine learning-model van klinisch significante CaP zal een tool beschikbaar worden gesteld aan radiologen. Deze tool is ontwikkeld door het Department of Informatics - Science and Engineering, DISI, University of Bologna en Alma Mater Research Institute on Global Challenges and Climate Change, Alma Climate, University of Bologna, en geïntegreerd in een open-source Dicom-viewer, Aliza MS Dicom-viewer. De artsen zullen dan de mogelijkheid hebben om zelfstandig de segmentatie van de ADC-sequenties (voorheen pseudo-geanonimiseerd) uit te voeren en het radiomische proces te starten om een ​​voorspellende waarde te verkrijgen van de waarschijnlijkheid dat de gesegmenteerde laesie klinisch significant is. Deze waarschijnlijkheidswaarde wordt door de software berekend op basis van het machine learning-model dat is ontwikkeld in PROSTATE_01. De tool maakt ook het verzamelen van gegevens mogelijk (georganiseerd en pseudo-anoniem). De validatie van het klinisch significante voorspellende model van CaP zal worden uitgevoerd op alle patiënten die zowel retrospectief als prospectief zijn ingeschreven, met uitzondering van degenen die zijn gebruikt in de modeltrainingsfase in PROSTATE_01. Nadat de prestaties van het gevalideerde model en de effecten van selectiebias zijn geëvalueerd, zal, zodra de rekrutering zowel retrospectief als prospectief is voltooid, een verfijning van het eerder ontwikkelde model worden uitgevoerd. Dit zal een "hertraining" van het model zelf zijn, uitgevoerd op trainings- en testdatasets die willekeurig zijn geselecteerd uit de gehele ingeschreven populatie waaruit het willekeurig zal worden verkregen, op basis van verschil, ook de subset voor een nieuwe validatie.