Validação de um modelo de aprendizado de máquina baseado em RM para previsão de câncer de próstata

Trata-se de um estudo observacional transversal e não intervencionista que envolve a análise de dados coletados de forma retrospectiva e prospectiva.

Os pacientes serão inscritos pela equipe médica radiologista designada pelo Investigador Principal. O investigador principal e seus delegados serão responsáveis ​​​​pela aquisição e pseudo-anonimização de imagens de pacientes inscritos (tanto retrospectivamente quanto prospectivamente) no RIS-PACS do IRCCS Bologna University Hospital, Policlinico di Sant'Orsola. Quando disponível, para os participantes submetidos à cirurgia de próstata, o O.U. de Anatomia Patológica fornecerá varreduras digitais das macroseções prostáticas.

Para a validação do modelo de aprendizado de máquina do CaP clinicamente significativo, uma ferramenta será disponibilizada aos radiologistas. Esta ferramenta é desenvolvida pelo Departamento de Informática - Ciência e Engenharia, DISI, Universidade de Bolonha e Instituto de Pesquisa Alma Mater sobre Desafios Globais e Mudanças Climáticas, Alma Climate, Universidade de Bolonha, e integrada em um visualizador Dicom de código aberto, Aliza MS Visualizador Dicom. Os médicos terão então a possibilidade de realizar de forma independente a segmentação das sequências ADC (anteriormente pseudo-anonimizadas) e iniciar o processo radiómico para obter um valor preditivo da probabilidade de a lesão segmentada ser clinicamente significativa. Este valor de probabilidade será calculado pelo software com base no modelo de aprendizado de máquina desenvolvido em PROSTATE_01. A ferramenta também permite a coleta de dados (organizada e pseudoanônima). A validação do modelo preditivo clinicamente significativo de CaP será realizada em todos os pacientes inscritos tanto retrospectivamente quanto prospectivamente, excluindo aqueles utilizados na fase de treinamento do modelo em PROSTATE_01. Depois de avaliado o desempenho do modelo validado e os efeitos do viés de seleção, uma vez concluído o recrutamento tanto retrospectiva quanto prospectivamente, será realizado um refinamento do modelo previamente desenvolvido. Este será um “re-treinamento” do próprio modelo, realizado em conjuntos de dados de treinamento e teste selecionados aleatoriamente de toda a população inscrita, dos quais será obtido aleatoriamente, por diferença, também o subconjunto para uma nova validação.