Validering av en maskinlæringsmodell basert på MR for prediksjon av prostatakreft

Dette er en transversal, ikke-intervensjonell observasjonsstudie som involverer analyse av data samlet inn både retrospektivt og prospektivt.

Pasienter vil bli registrert av radiologens medisinske personale utpekt av hovedetterforskeren. Hovedetterforskeren og hans delegater vil være ansvarlige for innhenting og pseudo-anonymisering av bilder av pasienter som er registrert (både retrospektivt og prospektivt) fra RIS-PACS ved IRCCS Bologna Universitetssykehus, Policlinico di Sant'Orsola. Når tilgjengelig, for deltakerne som gjennomgår prostatakirurgi, vil O.U. of Pathological Anatomy vil gi digitale skanninger av prostatas makroseksjoner.

For validering av maskinlæringsmodellen for klinisk signifikant CaP, vil et verktøy bli gjort tilgjengelig for radiologer. Dette verktøyet er utviklet av Institutt for informatikk – vitenskap og ingeniørvitenskap, DISI, University of Bologna og Alma Mater Research Institute on Global Challenges and Climate Change, Alma Climate, University of Bologna, og integrert i en åpen kildekode Dicom-visningsprogram, Aliza MS Dicom Viewer. Legene vil da ha muligheten til å utføre uavhengig segmentering av ADC-sekvensene (tidligere pseudo-anonymiserte) og starte den radiomiske prosessen for å få en prediktiv verdi av sannsynligheten for at den segmenterte lesjonen er klinisk signifikant. Denne sannsynlighetsverdien vil bli beregnet av programvaren på grunnlag av maskinlæringsmodellen utviklet i PROSTATE_01. Verktøyet tillater også datainnsamling (organisert og pseudo-anonym). Valideringen av den klinisk signifikante prediktive modellen av CaP vil bli utført på alle pasienter som er registrert både retrospektivt og prospektivt, unntatt de som ble brukt i modelltreningsfasen i PROSTATE_01. Etter å ha evaluert ytelsen til den validerte modellen og effekten av seleksjonsskjevhet, når rekrutteringen er fullført både retrospektivt og prospektivt, vil en foredling av den tidligere utviklede modellen bli utført. Dette vil være en «re-trening» av selve modellen, utført på trenings- og testdatasett tilfeldig valgt fra hele den påmeldte populasjonen som den vil bli hentet fra tilfeldig, etter forskjell, også delsettet for en ny validering.